Yonatan Geifman, CEO & Co-Founder of Deci – Interview Series

Yonatan Geifman adalah CEO & Co-Founder of Deci yang mengubah model AI menjadi solusi produksi kelas pada perangkat keras apa pun. Deci telah diakui sebagai Tech Innovator untuk Edge AI oleh Gartner dan termasuk dalam daftar AI 100 CB Insights. Teknologi patennya mencetak rekor baru di MLPerf dengan Intel.

Apa yang awalnya menarik Anda ke machine learning?

Sejak usia muda, saya selalu tertarik dengan teknologi terdepan – tidak hanya menggunakan mereka, tetapi benar-benar memahami bagaimana mereka bekerja.

Minat seumur hidup ini membuka jalan bagi studi PhD saya di ilmu komputer di mana penelitian saya berfokus pada Deep Neural Networks (DNNs). Ketika saya memahami teknologi kritis ini dalam pengaturan akademis, saya mulai benar-benar memahami cara AI dapat berdampak positif pada dunia di sekitar kita. Dari kota pintar yang dapat memantau lalu lintas dan mengurangi kecelakaan, ke kendaraan otonom yang memerlukan sedikit atau tidak ada intervensi manusia, hingga perangkat medis penyelamat jiwa – ada aplikasi tak terbatas di mana AI dapat memperbaiki masyarakat. Saya selalu tahu saya ingin menjadi bagian dari revolusi itu.

Apakah Anda bisa berbagi cerita asal di balik Deci AI?

Tidak sulit untuk mengenali – seperti yang saya lakukan ketika saya di sekolah untuk PhD saya – betapa bermanfaatnya AI dapat digunakan dalam kasus penggunaan di seluruh papan. Namun, banyak perusahaan kesulitan memanfaatkan potensi penuh AI karena pengembang terus menghadapi pertarungan menanjak untuk mengembangkan model pembelajaran dalam yang siap produksi untuk penerapan. Dengan kata lain, masih sangat sulit untuk memproduksikan AI.

Tantangan ini sebagian besar dapat dikaitkan dengan kesenjangan efisiensi AI yang dihadapi industri. Algoritma tumbuh secara eksponensial lebih kuat dan memerlukan lebih banyak daya komputasi tetapi secara paralel mereka perlu diterapkan dengan cara yang efisien biaya, seringkali pada perangkat tepi yang terbatas.

Saya dan co-founder saya Prof. Ran El-Yaniv, Jonathan Elial, dan saya mendirikan Deci untuk menangani tantangan itu. Dan kami melakukannya dengan cara yang kami lihat memungkinkan – dengan menggunakan AI itu sendiri untuk menciptakan generasi berikutnya dari pembelajaran dalam. Kami mengadopsi pendekatan algoritma-terlebih-dahulu, bekerja untuk meningkatkan efikasi algoritma AI pada tahap awal, yang pada gilirannya akan memberdayakan pengembang untuk membangun dan bekerja dengan model yang menghasilkan tingkat akurasi dan efisiensi tertinggi untuk perangkat keras inferensi apa pun.

Pembelajaran dalam adalah inti dari Deci AI, bisa Anda mendefinisikannya untuk kami?

Pembelajaran dalam, seperti machine learning, adalah subbidang AI, yang ditujukan untuk memberdayakan era aplikasi baru. Pembelajaran dalam sangat terinspirasi oleh bagaimana struktur otak manusia, itulah mengapa ketika kita membahas pembelajaran dalam, kita membahas “jaringan saraf”. Ini sangat relevan untuk aplikasi tepi (pikirkan kamera di kota pintar, sensor pada kendaraan otonom, solusi analitik di bidang kesehatan) di mana model pembelajaran dalam situs sangat penting untuk menghasilkan wawasan tersebut secara real-time.

Apa itu Pencarian Arsitektur Neural?

Pencarian Arsitektur Neural (NAS) adalah disiplin teknologi yang bertujuan untuk mendapatkan model pembelajaran dalam yang lebih baik.

Karya perintis Google pada NAS pada 2017 membantu membawa topik tersebut ke arus utama, setidaknya dalam lingkaran penelitian dan akademis.

Tujuan NAS adalah untuk menemukan arsitektur jaringan saraf terbaik untuk suatu masalah tertentu. Ini mengotomatisasi perancangan DNN, memastikan kinerja yang lebih tinggi dan kerugian yang lebih rendah daripada arsitektur yang dirancang secara manual. Ini melibatkan proses di mana algoritma mencari di antara ruang agregat jutaan arsitektur model yang tersedia, untuk menghasilkan arsitektur yang unik untuk memecahkan masalah tertentu. Dengan kata sederhana, ini menggunakan AI untuk merancang AI baru, berdasarkan kebutuhan proyek tertentu.

Ini digunakan oleh tim untuk menyederhanakan proses pengembangan, mengurangi iterasi trial dan error, dan memastikan mereka berakhir dengan model ultimate yang dapat terbaik melayani target akurasi dan kinerja aplikasi.

Apa saja keterbatasan Pencarian Arsitektur Neural?

Keterbatasan utama NAS tradisional adalah aksesibilitas dan skalabilitas. NAS saat ini sebagian besar digunakan dalam pengaturan penelitian dan biasanya hanya dilakukan oleh raksasa teknologi seperti Google dan Facebook, atau di institusi akademis seperti Stanford karena teknik NAS tradisional rumit untuk dilakukan dan memerlukan banyak sumber daya komputasi.

Itulah mengapa saya sangat bangga dengan pencapaian kami dalam mengembangkan teknologi AutoNAC (Automated Neural Architecture Construction) Deci yang revolusioner, yang mendemokratisasi NAS dan memungkinkan perusahaan dari semua ukuran untuk dengan mudah membangun arsitektur model kustom dengan akurasi dan kecepatan yang lebih baik dari yang ada saat ini untuk aplikasi mereka.

Bagaimana pembelajaran deteksi objek berbeda berdasarkan jenis gambar?

Tidak terlalu mengejutkan, domain gambar tidak secara dramatis mempengaruhi proses pelatihan model deteksi objek. Apakah Anda mencari pejalan kaki di jalan, tumor di scan medis, atau senjata tersembunyi di gambar x-ray yang diambil oleh keamanan bandara, prosesnya hampir sama. Data yang Anda gunakan untuk melatih model Anda perlu mewakili tugas yang dilakukan, dan ukuran dan struktur model mungkin dipengaruhi oleh ukuran, bentuk, dan kompleksitas objek dalam gambar Anda.

Bagaimana Deci AI menawarkan platform ujung-ke-ujung untuk pembelajaran dalam?

Platform Deci memungkinkan pengembang untuk membangun, melatih, dan menerapkan model pembelajaran dalam yang akurat dan cepat ke produksi. Dengan melakukan itu, tim dapat memanfaatkan penelitian dan praktik rekayasa terbaru dengan satu baris kode, mempersingkat waktu ke pasar dari bulan ke beberapa minggu, dan memastikan kesuksesan di produksi.

Anda awalnya memulai dengan tim 6 orang, dan sekarang Anda melayani perusahaan besar. Bisakah Anda membahas pertumbuhan perusahaan, dan beberapa tantangan yang Anda hadapi?

Kami sangat senang dengan pertumbuhan yang telah kami capai sejak memulai pada 2019. Sekarang, lebih dari 50 karyawan, dan lebih dari $55 juta dalam pendanaan hingga saat ini, kami yakin kami dapat terus membantu pengembang menyadari dan bertindak pada potensi sebenarnya AI. Sejak peluncuran, kami telah dimasukkan dalam CB Insights’ AI 100, mencapai prestasi berani, seperti keluarga model kami yang menghasilkan kinerja pembelajaran dalam yang revolusioner pada CPU, dan memperkuat kolaborasi bermakna, termasuk dengan nama besar seperti Intel.

Apakah ada yang lain yang ingin Anda bagikan tentang Deci AI?

Seperti yang saya sebutkan sebelumnya, kesenjangan efisiensi AI terus menyebabkan hambatan besar untuk produksiasi AI. “Menggeser ke kiri” – memperhitungkan kendala produksi pada awal siklus hidup pengembangan, mengurangi waktu dan biaya yang dihabiskan untuk memperbaiki hambatan potensial saat menerapkan model pembelajaran dalam di produksi di jalur. Platform kami telah terbukti mampu melakukan hal itu dengan menyediakan perusahaan dengan alat yang diperlukan untuk mengembangkan dan menerapkan solusi AI yang dapat mengubah dunia.

Tujuan kami sederhana – membuat AI dapat diakses, terjangkau, dan skalabel.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Deci.