Yonatan Geifman, a Deci vezérigazgatója és társalapítója – Interjúsorozat

Yonatan Geifman vezérigazgatója és társalapítója így amely az AI-modelleket bármely hardveren gyártási minőségű megoldásokká alakítja. Decit a Gartner az Edge AI technológiai újítójaként ismerte el, és felkerült a CB Insights AI 100-as listájára. Saját fejlesztésű technológiája új rekordokat döntött az Intellel működő MLPerf-en.

Mi vonzotta kezdetben a gépi tanuláshoz?

Fiatal korom óta mindig lenyűgözött a legmodernebb technológiák – nem csak használatuk, hanem azok működésének megértése is.

Ez az egész életen át tartó lenyűgözés nyitotta meg az utat a számítástechnikai PhD tanulmányaim felé, ahol kutatásaim a mély idegi hálózatokra (DNN-ekre) összpontosítottak. Ahogy megértettem ezt a kritikus technológiát egy akadémiai környezetben, kezdtem igazán megérteni, hogy az AI milyen módon képes pozitívan befolyásolni a minket körülvevő világot. Az intelligens városoktól, amelyek jobban figyelemmel kísérik a forgalmat és csökkentik a balesetek számát, az önvezető járműveken át, amelyek alig vagy egyáltalán nem igényelnek emberi beavatkozást, az életmentő orvosi eszközökig – végtelenül sok olyan alkalmazás létezik, ahol az AI javíthatja a társadalmat. Mindig is tudtam, hogy részt akarok venni ebben a forradalomban.

Megosztanád a Deci AI mögött meghúzódó keletkezési történetet?

Nem nehéz felismerni – ahogyan azt is tettem, amikor az iskolában doktoráltam –, hogy a mesterséges intelligencia milyen hasznos lehet a felhasználási esetekben. Ennek ellenére sok vállalat küzd a mesterséges intelligencia teljes potenciáljának kiaknázásával, mivel a fejlesztők folyamatosan küzdenek a termelésre kész mélytanulási modellek kifejlesztéséért a bevezetéshez. Más szavakkal, továbbra is rendkívül nehéz a mesterséges intelligencia termékesítése.

Ezek a kihívások nagyrészt az AI hatékonysági hiányosságainak tudhatók be. Az algoritmusok exponenciálisan erősödnek, és több számítási teljesítményt igényelnek, de ezzel párhuzamosan költséghatékony módon kell telepíteni őket, gyakran erőforrás-korlátozott szélű eszközökön.

Társalapítóimmal Prof. Ran El-Yaniv, Jonathan Elial és én társalapítottam a Decit, hogy megbirkózzunk ezzel a kihívással. És ezt az egyetlen lehetségesnek tartott módon tettük – úgy, hogy magát az AI-t használtuk a mély tanulás következő generációjának kialakításához. Az algoritmikus első megközelítést alkalmaztuk, és azon dolgoztunk, hogy javítsuk az AI-algoritmusok hatékonyságát a korábbi szakaszokban, ami viszont képessé teszi a fejlesztőket arra, hogy olyan modelleket építsenek és dolgozzanak velük, amelyek a legmagasabb szintű pontosságot és hatékonyságot biztosítják bármely adott következtetési hardver esetében.

A Deci AI lényege a mélyreható tanulás, meg tudná határozni nekünk?

A mélytanulás, akárcsak a gépi tanulás, a mesterséges intelligencia egyik részterülete, amely az alkalmazások új korszakát hivatott elindítani. A mély tanulást erősen inspirálja az emberi agy felépítése, ezért amikor a mély tanulásról beszélünk, akkor a „neurális hálózatokról” beszélünk. Ez rendkívül fontos a szélsőséges alkalmazásoknál (gondoljunk csak kamerákra az intelligens városokban, érzékelőkre az autonóm járműveken, analitikai megoldásokra az egészségügyben), ahol a helyszíni mélytanulási modellek kulcsfontosságúak az ilyen ismeretek valós idejű létrehozásához.

Mi az a neurális architektúra keresés?

A Neural Architecture Search (NAS) egy technológiai tudományág, amelynek célja jobb mély tanulási modellek megszerzése.

A Google 2017-ben végzett úttörő munkája a NAS-szal segítette a téma általánossá tételét, legalábbis a kutatói és tudományos körökben.

A NAS célja, hogy megtalálja a legjobb neurális hálózati architektúrát egy adott problémára. Automatizálja a DNN-ek tervezését, nagyobb teljesítményt és alacsonyabb veszteséget biztosítva, mint a kézzel tervezett architektúrák. Ez egy olyan folyamatot foglal magában, amelynek során egy algoritmus több millió rendelkezésre álló modell-architektúra összesített terében keres, hogy olyan architektúrát hozzon létre, amely egyedülállóan alkalmas az adott probléma megoldására. Leegyszerűsítve: mesterséges intelligenciát használ új mesterséges intelligencia tervezésére, bármely adott projekt speciális igényei alapján.

A csapatok arra használják, hogy leegyszerűsítsék a fejlesztési folyamatot, csökkentsék a próba és hiba iterációit, és biztosítsák, hogy a végső modellt a legjobban kiszolgálják, amely a legjobban szolgálja az alkalmazások pontossági és teljesítménycéljait.

Melyek a neurális architektúra keresés korlátai?

A hagyományos NAS fő korlátai a hozzáférhetőség és a méretezhetőség. A NAS-t manapság leginkább kutatási környezetben használják, és jellemzően csak olyan technológiai óriások, mint a Google és a Facebook, vagy olyan akadémiai intézetek végzik, mint a Stanford, mivel a hagyományos NAS-technikák végrehajtása bonyolult, és sok számítási erőforrást igényel.

Ezért vagyok olyan büszke a Deci úttörő AutoNAC (Automated Neural Architecture Construction) technológiájának kifejlesztésében elért eredményeinkre, amely demokratizálja a NAS-t, és lehetővé teszi a különböző méretű vállalatok számára, hogy egyszerűen készítsenek egyedi modellarchitektúrákat a legmodernebbnél jobb pontossággal és alkalmazásuk sebességét.

Miben különbözik a tanulási kifogások észlelése a kép típusától függően?

Meglepő módon a képek tartománya nem befolyásolja drámaian az objektumészlelési modellek betanítási folyamatát. Akár gyalogost keres az utcán, akár daganatot keres az orvosi vizsgálaton, vagy rejtett fegyvert a repülőtéri biztonsági szolgálat által készített röntgenfelvételen, a folyamat nagyjából ugyanaz. A modell betanításához használt adatoknak reprezentatívnak kell lenniük az adott feladatra vonatkozóan, és a modell méretét és szerkezetét befolyásolhatja a képen látható objektumok mérete, alakja és összetettsége.

Hogyan kínál a Deci AI végpontok közötti platformot a mély tanuláshoz?

A Deci platformja lehetővé teszi a fejlesztők számára, hogy pontos és gyors mélytanulási modelleket építsenek, képezzenek és üzembe helyezzenek a termelésben. Ennek során a csapatok egyetlen kódsorral kihasználhatják a legmodernebb kutatási és mérnöki bevált gyakorlatokat, hónapokról néhány hétre lerövidíthetik a piacra kerülési időt, és garantálhatják a gyártás sikerét.

Kezdetben egy 6 fős csapattal indult, most pedig nagyvállalatokat szolgál ki. Megbeszélné a vállalat növekedését és néhány kihívást, amelyekkel szembesült?

Nagyon örülünk a 2019-es kezdés óta elért növekedésnek. Most, hogy több mint 50 alkalmazottunk van, és több mint 55 millió dolláros finanszírozást biztosítunk, biztosak vagyunk abban, hogy továbbra is segíthetünk a fejlesztőknek az AI valódi potenciáljának felismerésében és cselekvésében. Az indulás óta szerepelünk CB Insights AI 100, úttörő eredményeket ért el, mint például a modellcsaládunk, amely áttörést hoz mély tanulási teljesítmény CPU-kon, és megszilárdult az értelmes együttműködések, többek között olyan nagy nevekkel, mint Intel.

Van még valami, amit meg szeretne osztani a Deci AI-vel kapcsolatban?

Mint korábban említettem, a mesterséges intelligencia hatékonyságának hiányosságai továbbra is jelentős akadályokat okoznak az AI termékesítésében. „Eltolás balra” – figyelembe veszi a termelési korlátokat a fejlesztési életciklus korai szakaszában, csökkenti a potenciális akadályok kijavítására fordított időt és költségeket, amikor a mélytanulási modelleket a gyártási folyamat során alkalmazzák. Platformunk bebizonyította, hogy képes erre azáltal, hogy biztosítja a vállalatok számára a világot megváltoztató AI-megoldások sikeres fejlesztéséhez és bevezetéséhez szükséges eszközöket.

Célunk egyszerű – az AI széles körben elérhetővé, megfizethetővé és méretezhetővé tétele.

Köszönjük a remek interjút, azoknak az olvasóknak, akik többet szeretnének megtudni, látogassanak el így.