Yonatan Geifman, izvršni direktor i suosnivač Deci – serije intervjua

Yonatan Geifman je izvršni direktor i suosnivač tvrtke Ovdje koji transformira AI modele u rješenja proizvodne razine na bilo kojem hardveru. Gartner je Decija prepoznao kao tehnološkog inovatora za Edge AI i uvrstio ga na popis AI 100 tvrtke CB Insights. Izvedba njegove vlasničke tehnologije postavila je nove rekorde na MLPerf s Intelom.

Što vas je u početku privuklo strojnom učenju?

Od mladosti sam uvijek bio fasciniran vrhunskim tehnologijama – ne samo njihovim korištenjem, već i istinskim razumijevanjem kako rade.

Ova cjeloživotna fascinacija utrla je put prema mom konačnom doktorskom studiju računalnih znanosti gdje je moje istraživanje bilo usmjereno na duboke neuronske mreže (DNN). Kako sam u akademskom okruženju počeo razumjeti ovu kritičnu tehnologiju, počeo sam istinski shvaćati načine na koje umjetna inteligencija može pozitivno utjecati na svijet oko nas. Od pametnih gradova koji mogu bolje nadzirati promet i smanjiti nesreće, do autonomnih vozila koja zahtijevaju malo ili nimalo ljudske intervencije, do medicinskih uređaja koji spašavaju živote – postoje beskrajne aplikacije u kojima AI može poboljšati društvo. Uvijek sam znao da želim sudjelovati u toj revoluciji.

Možete li podijeliti priču o nastanku Deci AI?

Nije teško prepoznati – kao što sam ja učinio dok sam bio u školi za doktorat – koliko AI može biti korisna u svim slučajevima upotrebe. Ipak, mnoga se poduzeća bore da iskoriste puni potencijal umjetne inteligencije jer se programeri neprestano suočavaju s teškom borbom za razvoj modela dubokog učenja spremnih za proizvodnju za implementaciju. Drugim riječima, i dalje je super teško proizvesti AI.

Ti se izazovi uvelike mogu pripisati jazu u učinkovitosti umjetne inteligencije s kojim se industrija suočava. Algoritmi postaju eksponencijalno moćniji i zahtijevaju više računalne snage, ali paralelno ih je potrebno implementirati na isplativ način, često na rubnim uređajima s ograničenim resursima.

Moji suosnivači prof. Ran El-Yaniv, Jonathan Elial i ja suosnivali smo Deci kako bismo odgovorili na taj izazov. I uspjeli smo to na jedini način koji smo smatrali mogućim – korištenjem same umjetne inteligencije za izradu sljedeće generacije dubokog učenja. Prihvatili smo algoritamski pristup, radeći na poboljšanju učinkovitosti AI algoritama u ranijim fazama, što će zauzvrat osnažiti programere da izgrade i rade s modelima koji pružaju najviše razine točnosti i učinkovitosti za bilo koji hardver za zaključivanje.

Duboko učenje je srž Deci AI, možete li nam to definirati?

Duboko učenje, kao i strojno učenje, podpolje je umjetne inteligencije, postavljeno za osnaživanje nove ere aplikacija. Duboko učenje uvelike je inspirirano načinom na koji je ljudski mozak strukturiran, zbog čega kada govorimo o dubokom učenju, govorimo o "neuronskim mrežama". Ovo je super relevantno za rubne aplikacije (mislim da su kamere u pametnim gradovima, senzori na autonomnim vozilima, analitička rješenja u zdravstvu) gdje su modeli dubokog učenja na licu mjesta ključni za generiranje takvih uvida u stvarnom vremenu.

Što je pretraživanje neuronske arhitekture?

Neural Architecture Search (NAS) je tehnološka disciplina usmjerena na dobivanje boljih modela dubokog učenja.

Googleov pionirski rad na NAS-u 2017. pomogao je da se tema unese u mainstream, barem unutar istraživačkih i akademskih krugova.

Cilj NAS-a je pronaći najbolju arhitekturu neuronske mreže za određeni problem. Automatizira projektiranje DNN-ova, osiguravajući bolje performanse i manje gubitke od ručno dizajniranih arhitektura. To uključuje proces u kojem algoritam pretražuje agregatni prostor od milijuna dostupnih modela arhitektura, kako bi dao arhitekturu koja je jedinstveno prikladna za rješavanje tog određenog problema. Jednostavno rečeno, koristi umjetnu inteligenciju za dizajniranje nove umjetne inteligencije, na temelju specifičnih potreba bilo kojeg projekta.

Koriste ga timovi kako bi pojednostavili razvojni proces, smanjili ponavljanja pokušaja i pogrešaka i osigurali da završe s ultimativnim modelom koji može najbolje služiti ciljevima točnosti i izvedbe aplikacija.

Koja su neka od ograničenja pretraživanja neuronske arhitekture?

Glavna ograničenja tradicionalnog NAS-a su pristupačnost i skalabilnost. NAS se danas uglavnom koristi u istraživačkim okruženjima i obično ga provode samo tehnološki divovi poput Googlea i Facebooka ili na akademskim institutima poput Stanforda jer su tradicionalne NAS tehnike komplicirane za provedbu i zahtijevaju mnogo računalnih resursa.

Zato sam tako ponosan na naša postignuća u razvoju Decijeve revolucionarne AutoNAC (Automated Neural Architecture Construction) tehnologije, koja demokratizira NAS i omogućuje tvrtkama svih veličina jednostavnu izgradnju prilagođenih arhitektura modela s preciznošću većom od vrhunske tehnologije. brzinu za svoje aplikacije.

Kako se otkrivanje prigovora pri učenju razlikuje ovisno o vrsti slike?

Iznenađujuće, domena slika ne utječe dramatično na proces obuke modela detekcije objekata. Bilo da tražite pješaka na ulici, tumor na medicinskom pregledu ili skriveno oružje na rendgenskoj snimci koju je snimilo osiguranje zračne luke, postupak je gotovo isti. Podaci koje koristite za obuku vašeg modela moraju biti reprezentativni za zadatak koji imate, a na veličinu i strukturu modela mogu utjecati veličina, oblik i složenost objekata na vašoj slici.

Kako Deci AI nudi end-to-end platformu za duboko učenje?

Decijeva platforma omogućuje programerima da izgrade, obuče i implementiraju točne i brze modele dubokog učenja u proizvodnju. Radeći to, timovi mogu iskoristiti najsuvremenija istraživanja i najbolje prakse inženjeringa s jednom linijom koda, skratiti vrijeme izlaska na tržište od nekoliko mjeseci do nekoliko tjedana i jamčiti uspjeh u proizvodnji.

U početku ste počeli s timom od 6 ljudi, a sada pružate usluge velikim poduzećima. Možete li razgovarati o rastu tvrtke i nekim od izazova s ​​kojima ste se suočili?

Oduševljeni smo rastom koji smo postigli od početka 2019. Sada, s više od 50 zaposlenika i preko 55 milijuna dolara u financiranju do danas, uvjereni smo da možemo nastaviti pomagati razvojnim programerima da shvate i djeluju na istinski potencijal umjetne inteligencije. Od pokretanja uključeni smo na CB Insights AI 100, postigla revolucionarna postignuća, kao što je naša obitelj modela koji donose iskorak izvedba dubokog učenja na CPU-u, i učvrstio smislene suradnje, uključujući s velikim imenima poput Intel.

Postoji li još nešto što biste željeli podijeliti s Deci AI?

Kao što sam već spomenuo, jaz u učinkovitosti umjetne inteligencije i dalje predstavlja velike prepreke za proizvodnju umjetne inteligencije. „Pomicanje ulijevo” – uzimajući u obzir proizvodna ograničenja rano u razvojnom životnom ciklusu, smanjuje vrijeme i troškove utrošene na popravljanje potencijalnih prepreka prilikom implementacije modela dubinskog učenja u proizvodnji niže. Naša platforma je dokazala da može učiniti upravo to pružajući tvrtkama alate potrebne za uspješan razvoj i implementaciju AI rješenja koja mijenjaju svijet.

Naš cilj je jednostavan – učiniti umjetnu inteligenciju široko dostupnom, pristupačnom i skalabilnom.

Hvala vam na sjajnom intervjuu, čitatelji koji žele saznati više neka ga posjete Ovdje.