wawancara
Yonatan Geifman, CEO & Pendiri Bersama Deci – Seri Wawancara
Yonatan Geifman adalah CEO & Co-Founder dari keputusan yang mengubah model AI menjadi solusi tingkat 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. Performa teknologi miliknya membuat rekor baru di MLPerf dengan Intel.
Apa yang awalnya membuat Anda tertarik pada pembelajaran mesin?
Sejak usia muda, saya selalu terpesona dengan teknologi mutakhir – tidak hanya menggunakannya, tetapi benar-benar memahami cara kerjanya.
Ketertarikan seumur hidup ini membuka jalan menuju studi PhD saya di bidang ilmu komputer di mana penelitian saya berfokus pada Deep Neural Networks (DNNs). Saat saya mulai memahami teknologi kritis ini dalam lingkungan akademis, saya mulai benar-benar memahami cara AI dapat berdampak positif pada dunia di sekitar kita. Dari kota pintar yang dapat memantau lalu lintas dengan lebih baik dan mengurangi kecelakaan, hingga kendaraan otonom yang memerlukan sedikit atau tanpa campur tangan manusia, hingga perangkat medis yang menyelamatkan nyawa – ada banyak aplikasi di mana AI dapat memperbaiki masyarakat. Saya selalu tahu saya ingin mengambil bagian dalam revolusi itu.
Bisakah Anda membagikan kisah asal-usul di balik Deci AI?
Tidak sulit untuk mengenali – seperti yang saya lakukan ketika saya masih di sekolah untuk PhD saya – betapa bermanfaatnya AI dalam kasus penggunaan secara keseluruhan. Namun banyak perusahaan berjuang untuk memanfaatkan potensi penuh AI karena pengembang terus menghadapi perjuangan berat untuk mengembangkan model pembelajaran mendalam yang siap produksi untuk diterapkan. Dengan kata lain, masih sangat sulit untuk menghasilkan AI.
Tantangan-tantangan ini sebagian besar dapat dikaitkan dengan kesenjangan efisiensi AI yang dihadapi industri. Algoritme tumbuh secara eksponensial lebih kuat dan membutuhkan lebih banyak daya komputasi tetapi secara paralel mereka perlu diterapkan dengan cara yang hemat biaya, sering kali pada perangkat tepi yang dibatasi sumber daya.
Rekan pendiri saya Prof. Ran El-Yaniv, Jonathan Elial, dan saya bersama-sama mendirikan Deci untuk mengatasi tantangan itu. Dan kami melakukannya dengan satu-satunya cara yang kami anggap mungkin – dengan menggunakan AI itu sendiri untuk menyusun pembelajaran mendalam generasi berikutnya. Kami menerapkan pendekatan yang mengutamakan algoritme, bekerja untuk meningkatkan keefektifan algoritme AI pada tahap awal, yang pada gilirannya akan memberdayakan developer untuk membangun dan bekerja dengan model yang memberikan tingkat akurasi dan efisiensi tertinggi untuk perangkat keras inferensi apa pun.
Deep learning adalah inti dari Deci AI, dapatkah Anda menjelaskannya untuk kami?
Pembelajaran mendalam, seperti pembelajaran mesin, adalah subbidang AI, yang ditetapkan untuk memberdayakan era baru aplikasi. Pembelajaran mendalam sangat terinspirasi oleh bagaimana otak manusia disusun, 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 dalam perawatan kesehatan) di mana model pembelajaran mendalam di tempat sangat penting untuk menghasilkan wawasan seperti itu secara real time.
Apa itu Pencarian Arsitektur Neural?
Neural Architecture Search (NAS) adalah disiplin teknologi yang ditujukan untuk mendapatkan model pembelajaran mendalam yang lebih baik.
Karya rintisan Google di NAS pada tahun 2017 membantu membawa topik ini menjadi arus utama, setidaknya dalam lingkaran penelitian dan akademis.
Tujuan NAS adalah untuk menemukan arsitektur jaringan saraf terbaik untuk masalah tertentu. Ini mengotomatiskan 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 secara unik cocok untuk memecahkan masalah khusus itu. Sederhananya, ini menggunakan AI untuk merancang AI baru, berdasarkan kebutuhan spesifik dari setiap proyek tertentu.
Ini digunakan oleh tim untuk menyederhanakan proses pengembangan, mengurangi iterasi coba-coba dan memastikan mereka berakhir dengan model pamungkas yang dapat melayani target akurasi dan kinerja aplikasi dengan baik.
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 lembaga akademik seperti Stanford karena teknik NAS tradisional rumit untuk dilakukan dan membutuhkan banyak sumber daya komputasi.
Itulah mengapa saya sangat bangga dengan pencapaian kami dalam mengembangkan teknologi terobosan AutoNAC (Automated Neural Architecture Construction) dari Deci, yang mendemokratisasi NAS dan memungkinkan perusahaan dari semua ukuran untuk dengan mudah membangun arsitektur model khusus dengan akurasi yang lebih baik daripada yang canggih dan kecepatan untuk aplikasi mereka.
Apa bedanya mempelajari deteksi keberatan berdasarkan jenis gambar?
Anehnya, domain gambar tidak secara dramatis mempengaruhi proses pelatihan model deteksi objek. Apakah Anda mencari pejalan kaki di jalan, tumor dalam 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 harus mewakili tugas yang ada, dan ukuran serta struktur model mungkin dipengaruhi oleh ukuran, bentuk, dan kerumitan objek dalam gambar Anda.
Bagaimana Deci AI menawarkan platform end-to-end untuk deep learning?
Platform Deci memberdayakan developer untuk membangun, melatih, dan menerapkan model deep learning yang akurat dan cepat ke produksi. Dengan demikian, tim dapat memanfaatkan penelitian paling canggih dan praktik terbaik rekayasa dengan satu baris kode, mempersingkat waktu pemasaran selama berbulan-bulan hingga beberapa minggu, dan menjamin kesuksesan dalam produksi.
Anda awalnya memulai dengan tim yang terdiri dari 6 orang, dan sekarang Anda melayani perusahaan besar. Bisakah Anda mendiskusikan pertumbuhan perusahaan, dan beberapa tantangan yang Anda hadapi?
Kami sangat senang dengan pertumbuhan yang telah kami capai sejak awal tahun 2019. Sekarang, dengan lebih dari 50 karyawan, dan pendanaan lebih dari $55 juta hingga saat ini, kami yakin dapat terus membantu pengembang mewujudkan dan menindaklanjuti potensi AI yang sebenarnya. Sejak diluncurkan, kami telah disertakan AI 100 CB Insights, membuat terobosan prestasi, seperti keluarga model kami yang memberikan terobosan kinerja pembelajaran mendalam pada CPU, dan memantapkan kolaborasi yang bermakna, termasuk dengan nama-nama besar seperti Intel.
Apakah ada hal lain yang ingin Anda bagikan tentang Deci AI?
Seperti yang saya sebutkan sebelumnya, kesenjangan efisiensi AI terus menjadi kendala besar bagi produksi AI. “Bergeser ke kiri” – memperhitungkan kendala produksi di awal siklus hidup pengembangan, mengurangi waktu dan biaya yang dihabiskan untuk memperbaiki potensi hambatan saat menerapkan model pembelajaran mendalam dalam produksi di masa mendatang. Platform kami telah terbukti mampu melakukan hal itu dengan menyediakan alat yang dibutuhkan perusahaan agar berhasil mengembangkan dan menerapkan solusi AI yang mengubah dunia.
Tujuan kami sederhana – membuat AI dapat diakses secara luas, terjangkau, dan dapat diskalakan.
Terima kasih atas wawancaranya yang luar biasa, pembaca yang ingin belajar lebih banyak harus berkunjung keputusan.
