Yonatan Geifman, forstjóri og meðstofnandi Deci – Interview Series

Yonatan Geifman er forstjóri og meðstofnandi Hérna sem umbreytir gervigreindarlíkönum í lausnir í framleiðslugráðu á hvaða vélbúnaði sem er. Deci hefur verið viðurkenndur sem tækniframleiðandi fyrir Edge AI af Gartner og innifalinn í CB Insights AI 100 listanum. Frammistaða sértækninnar setti ný met hjá MLPerf með Intel.

Hvað laðaði þig að vélanámi í upphafi?

Frá unga aldri var ég alltaf heilluð af nýjustu tækni - ekki bara að nota hana, heldur að skilja hvernig hún virkar.

Þessi ævilanga hrifning ruddi brautina í átt að loka doktorsnámi mínu í tölvunarfræði þar sem rannsóknir mínar beindust að Deep Neural Networks (DNN). Þegar ég fór að skilja þessa mikilvægu tækni í fræðilegu umhverfi, byrjaði ég að átta mig á því hvernig gervigreind getur haft jákvæð áhrif á heiminn í kringum okkur. Allt frá snjöllum borgum sem geta fylgst betur með umferð og dregið úr slysum, til sjálfkeyrandi farartækja sem krefjast lítillar sem engrar mannlegrar íhlutunar, til lífsbjargandi lækningatækja – það eru til endalaus forrit þar sem gervigreind gæti bætt samfélagið. Ég vissi alltaf að ég vildi taka þátt í þeirri byltingu.

Gætirðu deilt upprunasögunni á bak við Deci AI?

Það er ekki erfitt að viðurkenna – eins og ég gerði þegar ég var í doktorsnámi – hversu gagnleg gervigreind getur verið í notkunartilfellum alls staðar. Samt eiga mörg fyrirtæki í erfiðleikum með að nýta alla möguleika gervigreindar þar sem þróunaraðilar standa stöðugt frammi fyrir baráttu við að þróa framleiðslutilbúin djúpnámslíkön til notkunar. Með öðrum orðum, það er enn mjög erfitt að framleiða gervigreind.

Þessar áskoranir má að mestu leyti rekja til skilvirkni gervigreindarbilsins sem iðnaðurinn stendur frammi fyrir. Reiknirit eru að vaxa veldishraða og krefjast meiri reiknikrafts en samhliða þeim þarf að beita þeim á hagkvæman hátt, oft á tækjum með takmarkaða auðlind.

Meðstofnendur mínir prófessor Ran El-Yaniv, Jonathan Elial og ég stofnuðum Deci til að takast á við þá áskorun. Og við gerðum það á þann eina hátt sem við sáum mögulegt – með því að nota gervigreind sjálft til að búa til næstu kynslóð djúpnáms. Við tókum upp algrím-fyrstu nálgun, vinnum að því að bæta skilvirkni gervigreindar reiknirit á fyrri stigum, sem mun aftur á móti gera þróunaraðilum kleift að smíða og vinna með líkön sem skila hæstu stigum nákvæmni og skilvirkni fyrir hvaða ályktunarvélbúnað sem er.

Djúpt nám er kjarninn í Deci AI, gætirðu skilgreint það fyrir okkur?

Djúpnám, eins og vélanám, er undirsvið gervigreindar sem ætlað er að styrkja nýtt tímabil forrita. Djúpnám er mjög innblásið af því hvernig mannsheilinn er uppbyggður og þess vegna ræðum við „tauganet“ þegar við ræðum um djúpt nám. Þetta er mjög viðeigandi fyrir jaðarforrit (hugsaðu um myndavélar í snjöllum borgum, skynjara á sjálfstýrðum ökutækjum, greiningarlausnir í heilsugæslu) þar sem djúpnámslíkön á staðnum eru mikilvæg til að búa til slíka innsýn í rauntíma.

Hvað er taugaarkitektúrleit?

Neural Architecture Search (NAS) er tæknigrein sem miðar að því að fá betri djúpnámslíkön.

Frumkvöðlastarf Google á NAS árið 2017 hjálpaði til við að færa efnið inn í almenna strauminn, að minnsta kosti innan rannsókna og fræðilegra hringa.

Markmið NAS er að finna bestu taugakerfisarkitektúrinn fyrir tiltekið vandamál. Það gerir sjálfvirkan hönnun DNNs, tryggir meiri afköst og minni tap en handhönnuð arkitektúr. Það felur í sér ferli þar sem reiknirit leitar meðal uppsafnaðs rýmis milljóna tiltækra módelbogamynda, til að skila arkitektúr sem hentar einstaklega til að leysa það tiltekna vandamál. Til að setja það einfaldlega, notar það gervigreind til að hanna nýja gervigreind, byggt á sérstökum þörfum hvers verkefnis.

Það er notað af teymum til að einfalda þróunarferlið, draga úr endurteknum tilraunum og villum og tryggja að þær endi með fullkomna líkaninu sem best þjónar nákvæmni og frammistöðumarkmiðum forritanna.

Hverjar eru nokkrar af takmörkunum á leit í taugaarkitektúr?

Helstu takmarkanir hefðbundinna NAS eru aðgengi og sveigjanleiki. NAS í dag er að mestu notað í rannsóknarstillingum og venjulega aðeins framkvæmt af tæknirisum eins og Google og Facebook, eða á akademískum stofnunum eins og Stanford þar sem hefðbundin NAS tækni er flókin í framkvæmd og krefst mikils útreikninga.

Þess vegna er ég svo stoltur af afrekum okkar við að þróa byltingarkennda AutoNAC (Automated Neural Architecture Construction) tækni frá Deci, sem gerir NAS lýðræðislegt og gerir fyrirtækjum af öllum stærðum kleift að smíða sérsniðna módelarkitektúr með betri en nýjustu nákvæmni og hraða fyrir umsóknir sínar.

Hvernig er uppgötvun námsmótmæla mismunandi eftir myndgerð?

Það kemur á óvart að lén myndanna hefur ekki veruleg áhrif á þjálfunarferli mótmælagreiningarlíkana. Hvort sem þú ert að leita að gangandi vegfaranda á götunni, æxli í læknisskönnun eða huldu vopni á röntgenmynd sem öryggisvörður flugvallar tók, þá er ferlið nokkurn veginn það sama. Gögnin sem þú notar til að þjálfa líkanið þitt þurfa að vera dæmigert fyrir verkefnið sem fyrir höndum er og stærð líkansins og uppbyggingin gæti verið fyrir áhrifum af stærð, lögun og margbreytileika hlutanna í myndinni þinni.

Hvernig býður Deci AI upp á end-to-end vettvang fyrir djúpt nám?

Vettvangur Deci gerir forriturum kleift að smíða, þjálfa og dreifa nákvæmum og hröðum djúpnámslíkönum til framleiðslu. Með því geta teymi nýtt sér nýjustu rannsóknir og bestu starfsvenjur í verkfræði með einni kóðalínu, stytt tíma á markað í marga mánuði til nokkrar vikur og tryggt árangur í framleiðslu.

Þú byrjaðir upphaflega með 6 manna teymi og þjónar nú stórum fyrirtækjum. Gætirðu rætt vöxt fyrirtækisins og nokkrar áskoranir sem þú hefur staðið frammi fyrir?

Við erum himinlifandi með vöxtinn sem við höfum náð frá því að byrjað var árið 2019. Núna, yfir 50 starfsmenn, og yfir 55 milljónir dollara í fjármögnun hingað til, erum við fullviss um að við getum haldið áfram að hjálpa þróunaraðilum að átta sig á og bregðast við raunverulegum möguleikum gervigreindar. Frá upphafi höfum við verið með á CB Insights' AI 100, náð byltingarkenndum árangri, eins og fjölskyldu okkar af módelum sem skila byltingum djúpnámsárangur á örgjörva, og styrkti þýðingarmikið samstarf, þar á meðal með stórum nöfnum eins og Intel.

Er eitthvað annað sem þú vilt deila um Deci AI?

Eins og ég nefndi áður heldur AI skilvirknibilið áfram að valda miklum hindrunum fyrir framleiðslu AI. „Skift til vinstri“ – að gera grein fyrir framleiðsluþvingunum snemma í þróunarlífsferlinu, dregur úr þeim tíma og kostnaði sem varið er í að laga hugsanlegar hindranir þegar djúpnámslíkön eru beitt í framleiðslu í framhaldinu. Vettvangurinn okkar hefur reynst fær um að gera einmitt það með því að veita fyrirtækjum þau tæki sem þarf til að þróa og innleiða gervigreindarlausnir sem breyta heiminum.

Markmið okkar er einfalt - gera gervigreind aðgengilegt, hagkvæmt og skalanlegt.

Þakka þér fyrir frábært viðtal, lesendur sem vilja læra meira ættu að heimsækja Hérna.