Yonatan Geifman, CEO dan Salah Satu Pendiri Deci – Seri Wawancara

Yonatan Geifman adalah CEO dan salah satu pendiri Deci yang mengubah model AI menjadi solusi kelas produksi pada perangkat keras apa pun. Deci telah diakui sebagai Inovator Teknologi untuk Edge AI oleh Gartner dan termasuk dalam daftar AI 100 CB Insights. Teknologi miliknya sendiri 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 tanpa intervensi manusia, hingga perangkat medis penyelamat jiwa – ada aplikasi tak terbatas di mana AI dapat meningkatkan masyarakat. Saya selalu tahu saya ingin menjadi bagian dari revolusi itu.

Bisakah Anda membagikan kisah asal di balik Deci AI?

Tidak sulit untuk mengakui – seperti yang saya lakukan ketika saya bersekolah untuk PhD saya – bagaimana AI dapat bermanfaat dalam berbagai kasus penggunaan. Namun, banyak perusahaan kesulitan memanfaatkan potensi penuh AI karena pengembang terus menghadapi pertarungan menanjak untuk mengembangkan model pembelajaran mendalam yang siap diterapkan dalam produksi. Dengan kata lain, masih sangat sulit untuk mengubah AI menjadi produk.

Ini 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 edge yang terbatas sumber daya.

Rekan-rekan pendiri saya, Prof. Ran El-Yaniv dan Jonathan Elial, serta saya mendirikan Deci untuk menangani tantangan itu. Dan kami melakukannya dengan satu-satunya cara yang menurut kami memungkinkan – dengan menggunakan AI itu sendiri untuk menciptakan generasi berikutnya dari pembelajaran mendalam. 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 memberikan tingkat akurasi dan efisiensi tertinggi untuk perangkat keras inferensi apa pun.

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

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

Apa itu Pencarian Arsitektur Saraf?

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

Kerja perintis Google (GOOGL ) 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 tersebut. Dengan sederhana, ini menggunakan AI untuk merancang AI baru, berdasarkan kebutuhan spesifik proyek tertentu.

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

Apa beberapa keterbatasan Pencarian Arsitektur Saraf?

Batasan 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 (META ), atau di institusi akademis seperti Stanford karena teknik NAS tradisional sulit dilakukan dan memerlukan banyak sumber daya komputasi.

Oleh karena itu, saya sangat bangga dengan pencapaian kami dalam mengembangkan teknologi AutoNAC (Automated Neural Architecture Construction) Deci yang revolusioner, yang mendemokratisasi NAS dan memungkinkan perusahaan semua ukuran untuk dengan mudah membangun arsitektur model kustom dengan akurasi dan kecepatan yang melampaui tingkat tercanggih saat ini untuk aplikasi mereka.

Bagaimana proses pembelajaran deteksi objek berbeda berdasarkan jenis gambar?

Mengejutkan, domain gambar tidak secara dramatis mempengaruhi proses pelatihan model deteksi objek. Apakah Anda mencari pejalan kaki di jalan, tumor di pemindaian medis, atau senjata tersembunyi dalam 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 akhir-ke-akhir untuk pembelajaran mendalam?

Platform Deci memungkinkan pengembang untuk membangun, melatih, dan menerapkan model pembelajaran mendalam yang akurat dan cepat ke produksi. Dengan melakukan itu, tim dapat memanfaatkan penelitian dan praktik rekayasa terdepan dengan satu baris kode, mempersingkat waktu ke pasar dari beberapa bulan menjadi 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 mewujudkan dan bertindak pada potensi sebenarnya dari AI. Sejak peluncuran, kami telah dimasukkan dalam daftar CB Insights’ AI 100, mencapai prestasi luar biasa, seperti keluarga model kami yang memberikan kinerja pembelajaran mendalam yang revolusioner pada CPU, dan memperkuat kolaborasi bermakna, termasuk dengan nama besar seperti Intel.

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

Sebagaimana saya sebutkan sebelumnya, kesenjangan efisiensi AI terus menyebabkan hambatan besar dalam mengubah AI menjadi produk. “Menggeser ke kiri” – mempertimbangkan kendala produksi lebih awal dalam siklus hidup pengembangan, mengurangi waktu dan biaya yang dihabiskan untuk memperbaiki hambatan potensial saat menerapkan model pembelajaran mendalam ke produksi di kemudian hari. Platform kami telah terbukti dapat melakukan hal itu dengan menyediakan perusahaan dengan alat yang diperlukan untuk mengembangkan dan menerapkan solusi AI yang 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 dapat mengunjungi Deci.