Dr. Yair Adato, CEO dan Pendiri Bria – Seri Wawancara

Dr. Yair Adato, CEO dan pendiri Bria, adalah seorang ahli pembelajaran mesin dan visi komputer yang diakui karena kemampuannya untuk menghubungkan teknologi canggih dengan aplikasi bisnis dunia nyata. Sebelum mendirikan Bria, ia menjabat sebagai CTO Trax Retail, di mana ia memainkan peran sentral dalam mengubah perusahaan dari startup dengan 20 orang menjadi unicorn global dengan lebih dari 850 karyawan. Sepanjang karirnya, Yair juga berkontribusi sebagai penasihat untuk beberapa ventura yang didorong AI, termasuk Sparx, Vicomi, Tasq, DataGen, dan Anima. Kepemimpinannya ditandai dengan komitmen kuat terhadap inovasi yang bertanggung jawab, kepemilikan data, dan demokratisasi teknologi AI.

Bria adalah perusahaan pelopor di bidang AI generatif visual yang bertanggung jawab, didirikan dengan misi untuk menciptakan platform terbuka dan etis untuk generasi gambar. Pendekatan unik perusahaan ini memberi penghargaan kepada pemilik data untuk kontribusi mereka melalui mesin atribusi, memastikan transparansi dan keadilan dalam ekosistem AI. Dengan fokus pada kreativitas, kolaborasi, dan kepatuhan, Bria memberdayakan organisasi untuk mengintegrasikan AI generatif dengan aman ke dalam alur kerja mereka sambil menetapkan standar baru untuk akuntabilitas dan kepercayaan di industri konten visual..

Anda mendirikan Bria untuk menciptakan platform yang bertanggung jawab dan terbuka untuk AI generatif visual. Apa yang menginspirasi Anda untuk memulai perusahaan, dan apa tantangan atau wawasan awal yang membentuk arahnya?

Saya melihat Goodfellow mempresentasikan makalah GAN pada 2014, dan itu segera jelas bahwa produksi kreatif akan berubah secara fundamental. Menonton presentasi itu, implikasinya jelas—ini bukan hanya perbaikan inkremental, tetapi paradigma yang berbeda untuk cara mesin dapat belajar menghasilkan konten visual.

Tapi dari awal, saya mengenali kesenjangan fundamental dalam cara sistem ini dibangun: tidak ada akuntabilitas untuk data pelatihan, tidak ada kerangka untuk penerapan yang bertanggung jawab, tidak ada pertimbangan untuk para kreator yang membuatnya semua memungkinkan.

Tantangan awal tidak teknis—mereka struktural. Bagaimana Anda membangun AI generatif yang meningkatkan pekerjaan kreatif tanpa melemahkan orang-orang yang menciptakannya? Bagaimana Anda membuat sistem ini dapat digunakan dalam lingkungan produksi di mana kepastian hukum sama pentingnya dengan kualitas output? Pertanyaan-pertanyaan itu membentuk semua yang kita bangun. Kami mendirikan Bria atas prinsip bahwa inovasi dan tanggung jawab tidak merupakan kekuatan yang berlawanan—mereka harus maju bersama, atau teknologi gagal semua orang.

Latar belakang akademis Anda dalam visi komputer dan 50+ paten Anda menjembatani penelitian dan inovasi dunia nyata. Bagaimana pengalaman itu mempengaruhi peta jalan teknis Bria dan strategi jangka panjang?

Latar belakang penelitian saya mengajari saya untuk berpikir dalam sistem—bagaimana lapisan yang berbeda dari pemahaman terhubung untuk membentuk makna. Banyak paten saya fokus pada bagaimana mesin menafsirkan struktur informasi visual, dan pola pikir itu secara alami diterjemahkan ke dalam pendekatan Bria. Kami melihat generasi gambar sebagai proses komposisi, bukan proses acak.

Tapi paten-paten itu tidak hanya tentang teknologi—mereka tentang menjembatani teknologi ke kenyataan bisnis. Sebagian besar portofolio IP kami mengatasi lapisan sistem: bagaimana Anda menciptakan kerangka atribusi yang menghubungkan konten yang dihasilkan kembali ke sumber pelatihannya? Bagaimana Anda membangun model ekonomi yang mengkompensasikan kreator dalam skala besar? Ini bukanlah masalah teknis murni—mereka adalah pertanyaan infrastruktur, model bisnis, dan desain pasar.

Pandangan yang lebih luas itu membentuk strategi jangka panjang kami. Inovasi tidak hanya tentang memajukan model dasar. Ini tentang menciptakan struktur ekonomi baru, kerangka kontraktual baru, cara baru bagi industri untuk beroperasi secara berkelanjutan. Tujuan tidak hanya untuk menghasilkan hasil yang lebih baik—itu untuk memahami bagaimana hasil itu terbentuk, siapa yang berkontribusi pada mereka, dan bagaimana nilai mengalir melalui sistem. Itu tempat di mana sains bertemu dengan pemikiran produk dan arsitektur bisnis.

Bria baru saja mengumumkan FIBO, yang digambarkan sebagai fondasi visual deterministik pertama di dunia untuk generasi AI profesional. Apa yang membuat FIBO secara fundamental berbeda dari sistem AI visual yang ada?

Nama itu sendiri menandakan pendekatan kami: FIBO singkatan dari Fibonacci, urutan matematika yang terkenal karena sifat estetika bawaannya. Rasio emas—rasio antara angka-angka berurutan dalam urutan Fibonacci—muncul dalam apa yang kita anggap sebagai proporsi visual yang menyenangkan di seluruh matematika, seni visual, geometri, dan arsitektur. Anda melihatnya dalam dimensi Pantheon Roma dan Gedung Putih, dalam tubuh manusia dan wajah seperti yang diilustrasikan dalam karya Leonardo da Vinci, Vitruvian Man, dan di seluruh bentuk alami. Hubungan antara struktur matematika dan keindahan visual itu tepat apa yang FIBO wakili: kualitas estetika melalui struktur formal.

FIBO mengubah hubungan antara niat dan output. Sebagian besar sistem AI visual menyisipkan lapisan interpretasi antara apa yang Anda inginkan dan apa yang Anda dapatkan—Anda menulis prompt, model menerjemahkannya melalui pengkodean bahasa, mengaburkannya melalui kebisingan, dan Anda berharap hasilnya sesuai dengan visi Anda. FIBO menghilangkan lapisan-lapisan itu sepenuhnya.

Kami membuat AI visual bekerja seperti kode—setiap elemen kreatif menjadi dapat diedit dan diulang. Itu adalah terobosan bagi profesional yang terjebak dengan rolet prompt.. Ini berarti setiap elemen, arah pencahayaan, sudut kamera, palet warna, komposisi, gaya ada sebagai properti yang dapat dikendalikan secara eksplisit. Struktur JSON memungkinkan Anda untuk memodifikasi hanya parameter yang Anda inginkan, sementara mengunci semua yang lain. Anda dapat menyesuaikan intensitas pencahayaan tanpa mempengaruhi komposisi, atau menggeser sudut kamera tanpa mengubah palet warna. Sistem melakukan tepat apa yang Anda tentukan, setiap saat.

Kami menjalankan hackathon dengan Fal dan NVIDIA (NVDA ) untuk menunjukkan kepada pengembang bagaimana generasi deterministik benar-benar bekerja dalam praktek. Struktur JSON itu sendiri membuka kotak hitam—Anda dapat melihat parameter yang tepat yang menciptakan gambar, mereproduksinya, dan memodifikasinya dengan presisi. Ini adalah paradigma yang sama sekali berbeda dari teknik prompt.

Sistem teks-ke-gambar tradisional bergantung pada prompt yang semakin kompleks untuk mencapai hasil spesifik. Bagaimana pendekatan FIBO memecahkan masalah kompleksitas prompt?

Dua masalah perlu diatasi. Pertama, masalah acak prompt ada karena model saat ini mencoba mengekstrak niat pengguna dan menambahkan apa yang model “pikir” estetis atau diinginkan melalui peningkatan prompt. Kedua, kurangnya kontrol atas properti profesional

FIBO membalikkan ini. Model itu dilatih pada lebih dari 1.000 kata deskripsi visual per gambar yang secara eksplisit mengkodekan lebih dari 100 atribut independen dalam format JSON. Ini tidak diproses atau diekstrak—itu adalah format pelatihan asli. Karena setiap atribut direpresentasikan secara struktural dari awal, model itu belajar komposisi visual sebagai serangkaian parameter yang dapat dikendalikan dan diskrit, bukan sebagai interpretasi kabur dari teks.

Apa yang ini maksud dalam praktek: Anda mendefinisikan niat estetika melalui struktur, bukan melalui “prompt dan berdoa”. Tingkat keselarasan teks-ke-gambar secara fundamental lebih tinggi karena tidak ada lapisan terjemahan. Anda berbicara bahasa asli model. Dan karena properti independen, Anda dapat mengulangi pencahayaan tanpa mengubah komposisi, atau menyesuaikan palet warna tanpa mempengaruhi gaya. Kontrolnya bedah.

FIBO memperkenalkan alur kerja “refine” yang berbeda dari generasi iteratif biasa. Bagaimana perubahan ini mempengaruhi cara profesional mendekati produksi visual?

Sebagian besar alur kerja generatif bersifat iteratif dengan cara yang frustrasi—Anda menghasilkan, mengevaluasi, menyesuaikan prompt Anda, menghasilkan lagi, berharap itu lebih dekat. ini “prompt dan berdoa”. Anda tidak pernah yakin apa yang berubah atau mengapa.

Refine mengubah eksperimen menjadi desain. Anda tidak menebak apa yang prompt baru mungkin lakukan—Anda mengarahkan gambar, tepat seperti Anda menyetel cahaya atau warna di Photoshop. . Anda tidak perlu bekerja pada tingkat JSON secara langsung—model bahasa visi memodifikasi JSON untuk Anda berdasarkan instruksi bahasa alami. Tapi JSON itu sendiri memungkinkan Anda untuk memahami apa yang terjadi. Anda menghasilkan gambar awal, memeriksa representasi JSON-nya, mengidentifikasi properti mana yang perlu disesuaikan—mungkin intensitas pencahayaan terlalu tinggi, atau sudut kamera perlu bergeser 15 derajat—dan Anda memodifikasi hanya nilai-nilai tersebut melalui instruksi sederhana. Semuanya lainnya tetap terkunci.

Struktur ini sempurna untuk alur kerja agen. Agen AI dapat menganalisis JSON, memahami keadaan lengkap gambar, membuat modifikasi yang ditargetkan, dan menjelaskan alasan mereka—semua karena parameter tersebut eksplisit dan dapat diinterpretasikan. Agen tidak menebak apa yang mungkin dilakukan perubahan prompt; itu membuat penyesuaian yang tepat pada properti yang diketahui.

Ini menghilangkan ketidakpastian yang telah membuat profesional skeptis terhadap AI generatif. Ketika Anda dapat melihat set parameter lengkap yang menciptakan gambar, memahami apa yang dikendalikan oleh setiap properti, dan memodifikasi atribut individu dengan keyakinan bahwa tidak ada yang lain akan bergeser, Anda tidak lagi bereksperimen—Anda merancang. Visibilitas JSON membuka kotak hitam sepenuhnya. Untuk alur kerja produksi profesional di mana konsistensi dan kontrol lebih penting daripada kebaruan, ini adalah perbedaan antara mainan kreatif dan alat produksi.

Etika data dan keamanan merek telah menjadi pusat perhatian untuk AI perusahaan. Bagaimana penggunaan Bria terhadap data yang sepenuhnya dilisensikan dan dibersihkan hak ciptanya memastikan keduanya kepatuhan dan rasa hormat terhadap IP kreator?

Sejak hari pertama, kami memutuskan bahwa jika industri akan tumbuh secara bertanggung jawab, itu harus dimulai dengan integritas data. Setiap gambar yang melatih FIBO berasal dari sumber yang dilisensikan dan dibersihkan hak cipta melalui kemitraan dengan pemimpin konten seperti Getty Images (GETY ) dan Envato. Ini memastikan model kami patuh dan adil. Kami melihat rasa hormat terhadap kreator sebagai bagian dari rantai nilai, bukan sebagai kendala. Perusahaan mendapat manfaat dari integritas itu karena memberi mereka kepastian hukum dan etika yang mereka butuhkan untuk berkembang dengan percaya diri.

FIBO dilatih untuk mempelajari gaya merek unik dan identitas setiap perusahaan. Bagaimana kemampuan ini mengubah cara merek global mendekati pembuatan konten dan konsistensi visual?

Merek memiliki DNA visual mereka sendiri—cara unik untuk mengekspresikan emosi, kepercayaan, dan tujuan melalui desain. FIBO dapat mempelajari bahasa itu. Setelah dilatih, itu menghasilkan visual yang mencerminkan komposisi, nada, dan atmosfer yang sama yang mendefinisikan identitas merek. Ini mengubah AI dari asisten kreatif menjadi aset merek. Ini membantu tim global untuk mencipta dengan keselarasan, bukan pendekatan. Hasilnya adalah konsistensi dalam skala tanpa kehilangan individualitas.

Dengan pengadopsi awal yang sudah menggunakan FIBO untuk mengotomatisasi desain kemasan, gambar produk, dan kampanye kreatif, apa hasil atau umpan balik yang paling menonjol bagi Anda?

Perubahan paradigma. Tim mulai memperlakukan AI sebagai bagian dari toolkit operasional mereka, bukan sebagai novelti. Salah satu merek global menghasilkan varian kemasan regional dengan lebih cepat sambil mempertahankan konsistensi merek. Lembaga kreatif terkemuka telah mempercepat pengembangan kampanye sepuluh kali lipat melalui iterasi yang terkendali. Tapi sinyal yang sebenarnya datang dari direktur kreatif yang mengatakan kepada kami bahwa mereka merasa lebih terkendali; bahwa model itu memahami niat visual mereka. Itu adalah titik balik untuk industri.

Bria memposisikan diri sebagai pemimpin dalam AI etis dan terkendali. Bagaimana Anda melihat filsafat ini membentuk regulasi atau standar industri masa depan untuk AI visual?

Kami telah mencapai tahap di mana inovasi dan tata kelola perlu bergerak bersama. Regulasi bukanlah hambatan, tetapi infrastruktur untuk pertumbuhan yang berkelanjutan. Pendekatan kami—data transparan, output deterministik, provenance yang jelas—sejalan erat dengan apa yang kebijakan yang muncul minta. Saya percaya kita akan melihat standar baru yang memprioritaskan jejak, keterjelasan, dan perlindungan hak. Filsafat Bria adalah untuk membantu mendefinisikan standar tersebut melalui praktik, bukan pernyataan kebijakan.

Menghadap ke depan, apa yang selanjutnya untuk Bria setelah FIBO? Apakah Anda membayangkan memperluas ke AI multimodal yang menyatukan generasi gambar, video, dan 3D di bawah kerangka kerja yang terkendali?

Ya. Prinsip yang sama yang memungkinkan FIBO—struktur, kontrol, transparansi—berlaku di semua domain visual. Kami sudah menjelajahi ekstensi ke video dan 3D, di mana determinisme dapat membawa reliabilitas yang sama yang perusahaan miliki dengan gambar. Tujuan kami sederhana: membuat kreativitas AI sekontrol dan aman seperti menulis kode—dan memperluasnya di setiap medium visual, dari gambar ke video ke 3D.

Terima kasih untuk wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Bria.