Krishna Rangasayee, Fondatore e Amministratore Delegato di SiMa.ai – Serie di Interviste

Krishna Rangasayee è il Fondatore e Amministratore Delegato di SiMa.ai. In precedenza, Krishna era il Direttore Operativo di Groq e ha lavorato per 18 anni presso Xilinx, dove ha ricoperto diversi ruoli di leadership, tra cui Vice Presidente Esecutivo e Direttore Generale dell’intera attività e Vice Presidente Esecutivo delle vendite globali. Durante il suo soggiorno in Xilinx, Krishna ha aumentato il fatturato a 2,5 miliardi di dollari con un margine lordo del 70% e ha creato le basi per 10 o più trimestri di crescita sequenziale sostenuta e di espansione della quota di mercato. Prima di Xilinx, ha ricoperto diversi ruoli di ingegneria e business presso Altera Corporation e Cypress Semiconductor. Detiene oltre 25 brevetti internazionali e ha fatto parte del consiglio di amministrazione di società pubbliche e private.

Cosa ti ha inizialmente attirato verso il machine learning?

Sono stato uno studente dei mercati dell’edge e del cloud per gli ultimi 20 anni. Ho visto molte innovazioni nel cloud, ma molto poco per abilitare il machine learning all’edge. È un mercato enormemente sottoservito da oltre 40 miliardi di dollari che sopravvive con tecnologie vecchie da decenni.

Quindi, ci siamo impegnati in qualcosa che nessuno aveva fatto prima – abilitare il machine learning senza sforzo per l’edge embedded.

Puoi condividere la storia di genesi dietro SiMa?

Nella mia carriera di oltre 20 anni, non avevo ancora visto innovazioni architettoniche nel mercato dell’edge embedded. Eppure, la necessità di ML all’edge è aumentata nel cloud e negli elementi dell’IoT. Ciò dimostra che mentre le aziende richiedono ML all’edge, la tecnologia per rendere ciò realtà è troppo vecchia per funzionare veramente.

Pertanto, prima che SiMa.ai iniziasse a progettare, era importante capire quali fossero le sfide più grandi dei nostri clienti. Tuttavia, farli trascorrere del tempo con una startup in fase iniziale per ottenere feedback significativi e sinceri era una sfida in sé. Fortunatamente, il team e io siamo riusciti a sfruttare la nostra rete di relazioni passate per solidificare la visione di SiMa.ai con le aziende giuste.

Abbiamo incontrato oltre 30 clienti e abbiamo posto due domande di base: “Quali sono le sfide più grandi per scalare il ML all’edge embedded?” e “Come possiamo aiutare?” Dopo molte discussioni su come volevano ridisegnare l’industria e ascoltando le loro sfide per raggiungere ciò, abbiamo acquisito una profonda comprensione dei loro punti deboli e sviluppato idee su come risolverli. Questi includono:

• Ottenere i benefici del ML senza una curva di apprendimento ripida.
• Mantenere le applicazioni legacy insieme alla protezione delle implementazioni di ML.
• Lavorare con una soluzione ad alte prestazioni, a basso consumo energetico e in un ambiente facile da usare.

In fretta, ci siamo resi conto che dovevamo offrire un approccio a rischio mitigato per aiutare i nostri clienti. Come startup, dovevamo portare qualcosa di così convincente e differenziato da tutti gli altri. Nessun’altra azienda stava affrontando questa chiara esigenza, quindi questo era il percorso che abbiamo scelto di intraprendere.

SiMa.ai ha raggiunto questo raro risultato progettando dall’inizio il primo sistema-on-chip (SoC) di apprendimento automatico software-centrico e progettato appositamente per l’industria. Con la sua combinazione di silicio e software, il machine learning può ora essere aggiunto alle applicazioni embedded edge con il semplice clic di un pulsante.

Puoi condividere la tua visione di come il machine learning ridisegnerà tutto all’edge?

La maggior parte delle aziende di ML si concentra su mercati ad alta crescita come il cloud e la guida autonoma. Tuttavia, sono la robotica, i droni, il retail senza attrito, le città intelligenti e l’automazione industriale che richiedono l’ultima tecnologia di ML per migliorare l’efficienza e ridurre i costi.

Questi settori in crescita, insieme alle frustrazioni attuali nell’implementazione del ML all’edge embedded, sono il motivo per cui crediamo che il momento sia maturo di opportunità. SiMa.ai sta affrontando questo problema in un modo completamente diverso; vogliamo rendere l’adozione diffusa una realtà.

Cosa ha finora impedito di scalare il machine learning all’edge?

Il machine learning deve integrarsi facilmente con i sistemi legacy. Le aziende del Fortune 500 e le startup hanno investito molto nelle loro piattaforme tecnologiche attuali, ma la maggior parte di loro non riscriverà tutto il loro codice o non sostituirà completamente la loro infrastruttura sottostante per integrare il ML. Per mitigare il rischio e ottenere i benefici del ML, c’è bisogno di tecnologie che consentano l’integrazione senza problemi del codice legacy insieme al ML nei loro sistemi. Ciò crea un percorso facile per sviluppare e distribuire questi sistemi per soddisfare le esigenze dell’applicazione e ottenere i benefici dell’intelligenza che il machine learning porta.

Non ci sono grandi socket, non c’è un unico grande cliente che possa spostare l’ago della bilancia, quindi non abbiamo avuto altra scelta che supportare oltre 1000 clienti per scalare veramente il machine learning e portare l’esperienza a loro. Abbiamo scoperto che questi clienti desiderano il ML, ma non hanno la capacità di ottenere l’esperienza di apprendimento perché mancano della capacità interna di costruire e non hanno la base di conoscenze fondamentali. Quindi, vogliono implementare l’esperienza di ML, ma senza la curva di apprendimento dell’edge embedded e ciò che realmente si riduce a è che dobbiamo rendere l’esperienza di ML molto facile per i clienti.

Come fa SiMA a ridurre drasticamente il consumo di energia rispetto ai concorrenti?

Il nostro MLSoC è il motore sottostante che consente veramente tutto, è importante differenziare che non stiamo costruendo un acceleratore di ML. Per i 2 miliardi di dollari investiti in startup di SoC di edge ML, la risposta dell’industria all’innovazione è stata un blocco di acceleratore di ML come nucleo o chip. Ciò che le persone non riconoscono è che per migrare dalle persone da un SoC classico a un ambiente di ML, è necessario un ambiente di MLSoC in modo che le persone possano eseguire il codice legacy fin dal primo giorno e gradualmente, in un modo a rischio mitigato, distribuire la loro capacità in un componente di ML o un giorno stanno eseguendo la segmentazione semantica utilizzando un approccio di visione computerizzata classica e il giorno successivo potrebbero farlo utilizzando un approccio di ML, ma in un modo o nell’altro, consentiamo ai nostri clienti l’opportunità di distribuire e partizionare il loro problema come ritengono opportuno utilizzando la visione computerizzata classica, l’elaborazione dei sistemi ARM classica o un calcolo eterogeneo di ML. Per noi, il ML non è un prodotto finale e quindi un acceleratore di ML non sarà di successo da solo, il ML è una capacità e uno strumento in aggiunta agli altri strumenti che consentiamo ai nostri clienti in modo che, utilizzando una metodologia di push button, possano iterare la progettazione della pre-elaborazione, della post-elaborazione, dell’analisi e dell’accelerazione del ML, tutto su una singola piattaforma, fornendo le prestazioni del sistema più elevate e il consumo di energia più basso.

Quali sono alcune delle priorità di mercato principali per SiMa?

Abbiamo identificato diversi mercati chiave, alcuni dei quali sono più rapidi nel generare entrate rispetto ad altri. Il tempo più veloce per generare entrate è la visione intelligente, la robotica, l’industria 4.0 e i droni. I mercati che richiedono più tempo a causa delle qualifiche e degli standard sono le applicazioni automotive e sanitarie. Abbiamo iniziato a lavorare in tutti questi settori con i principali giocatori di ogni categoria.

L’acquisizione di immagini è generalmente avvenuta all’edge, con l’analisi nel cloud. Quali sono i vantaggi dello spostamento di questa strategia di distribuzione?

Le applicazioni all’edge richiedono che l’elaborazione venga eseguita localmente, per molte applicazioni non c’è abbastanza tempo per inviare i dati al cloud e tornare indietro. Le capacità di ML sono fondamentali nelle applicazioni all’edge perché le decisioni devono essere prese in tempo reale, ad esempio nelle applicazioni automotive e nella robotica dove le decisioni devono essere elaborate rapidamente ed efficientemente.

Perché le aziende dovrebbero considerare le soluzioni SiMa rispetto ai concorrenti?

Il nostro approccio unico di una soluzione software-centrica confezionata con una soluzione hardware completa. Ci siamo concentrati su una soluzione completa che affronta ciò che noi chiamiamo Any, 10x e Pushbutton come il nucleo centrale dei problemi dei clienti. La tesi originale per l’azienda è che si preme un pulsante e si ottiene un risultato straordinario! L’esperienza deve essere veramente astratta fino al punto in cui si desidera che migliaia di sviluppatori la utilizzino, ma non si vuole che tutti siano geni del ML, non si vuole che tutti siano impegnati a regolare layer per layer e a codificare manualmente per ottenere le prestazioni desiderate, si vuole che rimangano al livello di astrazione più alto e che possano distribuire il ML senza sforzo. Quindi, la tesi dietro il motivo per cui ci siamo aggrappati a questo è una forte correlazione con la scalabilità, in quanto veramente necessita di un’esperienza di ML senza sforzo e non richiede molto aiuto e servizi di supporto che potrebbero intralciare la scalabilità.

C’è qualcos’altro che vorresti condividere su SiMa?

Nella prima fase di sviluppo della piattaforma MLSoC, stavamo spingendo i limiti della tecnologia e dell’architettura. Stavamo andando controcorrente con una piattaforma software-centrica, che era un approccio completamente nuovo, che andava contro tutta la saggezza convenzionale. Il viaggio nel capire e poi implementare è stato difficile.

Una recente vittoria monumentale convalida la forza e l’unicità della tecnologia che abbiamo costruito. SiMa.ai ha raggiunto un importante traguardo ad aprile 2023 superando il leader attuale nel nostro debutto nel benchmark MLPerf nella categoria Edge Power chiusa. Siamo orgogliosi di essere la prima startup a partecipare e a ottenere risultati vincenti nel benchmark MLPerf più popolare e riconosciuto dell’industria per le prestazioni e il consumo di energia.

Noi abbiamo iniziato con aspirazioni ambiziose e fino a oggi, sono orgoglioso di dire che la nostra visione è rimasta invariata. Il nostro MLSoC è stato progettato appositamente per andare contro le norme dell’industria per offrire una soluzione di ML rivoluzionaria al mercato dell’edge embedded.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare SiMa.ai.