Yashar Behzadi, CEO di Synthesis AI – Serie di interviste

Yashar Behzadi PhD è il CEO e fondatore di Synthesis AI. È un imprenditore esperto che ha costruito aziende trasformative nel settore dell’AI, della tecnologia medica e dell’IoT. Ha trascorso gli ultimi 14 anni nella Silicon Valley costruendo e scalando aziende tecnologiche basate sui dati. Yashar ha oltre 30 brevetti e brevetti pendenti e un dottorato di ricerca presso l’UCSD con un focus sulla modellazione spazio-temporale dell’imaging del cervello funzionale.

Synthesis AI è una startup all’intersezione dell’apprendimento profondo e della CGI, creando un nuovo paradigma per lo sviluppo di modelli di visione computerizzata. Consente ai clienti di sviluppare modelli migliori in una frazione del tempo e del costo rispetto agli approcci tradizionali basati sull’annotazione umana.

Come sei entrato inizialmente nel campo dell’informatica e dell’AI?

Ho conseguito un dottorato di ricerca presso l’UCSD nel 2006, focalizzato sulla visione computerizzata e sulla modellazione spazio-temporale dei dati di imaging del cervello. Ho poi lavorato nella Silicon Valley all’intersezione di sensori, dati e apprendimento automatico in vari settori per i successivi 16 anni. Mi sento molto fortunato di avere avuto l’opportunità di lavorare su tecnologie notevoli e ho oltre 30 brevetti emessi o depositati, focalizzati sull’elaborazione dei segnali, l’apprendimento automatico e la scienza dei dati.

Puoi condividere la storia di come è nata Synthesis AI?

Prima di fondare Synthesis AI nel 2019, ho guidato una società di servizi di AI a livello globale, focalizzata sullo sviluppo di modelli di visione computerizzata per le principali aziende tecnologiche. Indipendentemente dalle dimensioni dell’azienda, ho scoperto che eravamo estremamente limitati dalla qualità e dalla quantità di dati di addestramento etichettati. Quando le aziende si espandevano geograficamente, crescevano la loro base di clienti o sviluppavano nuovi modelli e nuovi hardware, era necessario nuovo dati di addestramento per garantire che i modelli funzionassero adeguatamente. È anche diventato chiaro che il futuro della visione computerizzata non sarebbe stato possibile con il paradigma attuale di annotazione umana. Le applicazioni di visione computerizzata emergenti in autonomia, robotica e realtà aumentata/virtuale richiedono un insieme ricco di etichette 3D, informazioni di profondità, proprietà dei materiali, segmentazione dettagliata, ecc., che gli esseri umani non possono etichettare. Era necessario un nuovo paradigma per fornire l’insieme necessario di etichette per addestrare questi nuovi modelli. Oltre ai driver tecnici, abbiamo visto un aumento della scrutenità dei consumatori e della regolamentazione intorno a questioni etiche relative ai pregiudizi dei modelli e alla privacy dei consumatori.

Ho fondato Synthesis AI con l’obiettivo di trasformare il paradigma della visione computerizzata. La piattaforma di generazione di dati sintetici dell’azienda consente la generazione su richiesta di dati di immagini fotorealistici con un insieme ampliato di etichette pixel-perfect 3D. La nostra missione è quella di pionierare le tecnologie di dati sintetici per consentire lo sviluppo etico di modelli più capaci.

Per i lettori che non conoscono questo termine, potresti definire cosa sono i dati sintetici?

I dati sintetici sono dati generati dal computer che servono come alternativa ai dati del mondo reale. I dati sintetici sono creati in mondi digitali simulati piuttosto che raccolti o misurati nel mondo reale. Combinando strumenti dal mondo degli effetti visivi e della CGI con modelli di AI generativi, Synthesis AI consente alle aziende di creare grandi quantità di dati diversi e fotorealistici su richiesta per addestrare modelli di visione computerizzata. La piattaforma di generazione di dati dell’azienda riduce il costo e la velocità di ottenimento di dati di immagini di alta qualità di diversi ordini di grandezza, preservando la privacy.

Potresti discutere come vengono generati i dati sintetici?

Un set di dati sintetici è creato artificialmente piuttosto che attraverso dati del mondo reale. Le tecnologie dell’industria degli effetti visivi sono accoppiate con reti neurali generative per creare grandi quantità di dati di immagini etichettati e fotorealistici. I dati sintetici consentono la creazione di dati di addestramento a una frazione del costo e del tempo degli approcci attuali.

Come sfruttare i dati sintetici crea un vantaggio competitivo?

Attualmente, la maggior parte dei sistemi di AI sfrutta l’apprendimento supervisionato, in cui gli esseri umani etichettano attributi chiave nelle immagini e poi addestrano algoritmi di AI per interpretare le immagini. Questo è un processo intensivo in termini di risorse e tempo e è limitato da ciò che gli esseri umani possono etichettare accuratamente. Inoltre, le preoccupazioni relative ai pregiudizi demografici dell’AI e alla privacy dei consumatori sono aumentate, rendendo sempre più difficile ottenere dati umani rappresentativi.

Il nostro approccio è quello di creare mondi digitali fotorealistici che sintetizzano dati di immagini complessi. Poiché generiamo i dati, sappiamo tutto sulle scene, comprese informazioni mai disponibili prima sulla posizione 3D degli oggetti e sulle loro interazioni complesse con gli altri oggetti e con l’ambiente. Ottenere e etichettare questa quantità di dati utilizzando approcci attuali richiederebbe mesi, se non anni. Questo nuovo paradigma consentirà un miglioramento dell’efficienza e del costo del 100% e darà vita a una nuova classe di modelli più capaci.

Dal momento che i dati sintetici sono generati artificialmente, ciò elimina molti pregiudizi e preoccupazioni relative alla privacy legate alla raccolta di dati del mondo reale.

Come la generazione di dati su richiesta consente una scalabilità accelerata?

Catturare e preparare dati del mondo reale per l’addestramento dei modelli è un processo lungo e noioso. Distribuire il hardware necessario può essere proibitivamente costoso per sistemi di visione computerizzata complessi come veicoli autonomi, robotica o immagini satellitari. Una volta catturati i dati, gli esseri umani li etichettano e li annotano con caratteristiche essenziali. Questo processo è soggetto a errori e gli esseri umani sono limitati nella loro capacità di etichettare informazioni chiave come la posizione 3D richiesta per molte applicazioni.

I dati sintetici sono molto più veloci e più economici degli approcci tradizionali basati sull’annotazione umana e accelereranno il dispiegamento di nuovi e più capaci modelli in vari settori.

Come i dati sintetici consentono una riduzione o prevenzione dei pregiudizi dell’AI?

I sistemi di AI sono onnipresenti, ma possono contenere pregiudizi intrinseci che possono impattare gruppi di persone. I set di dati possono essere sbilanciati con alcune classi di dati e gruppi di persone sovrarappresentati o sottorappresentati. Costruire sistemi centrati sull’essere umano può spesso portare a pregiudizi di genere, etnia e età. Al contrario, i dati di addestramento generati dal design sono propriamente bilanciati e mancano di pregiudizi umani.

I dati sintetici potrebbero diventare una soluzione robusta per risolvere il problema dei pregiudizi dell’AI. I dati sintetici sono generati parzialmente o completamente artificialmente piuttosto che misurati o estratti da eventi o fenomeni del mondo reale. Se il set di dati non è abbastanza diversificato o grande, i dati generati dall’AI possono colmare le lacune e formare un set di dati non prevenuto. La parte migliore? Creare manualmente questi set di dati può richiedere a squadre diversi mesi o anni per completarli. Quando progettati con dati sintetici, può essere fatto in una notte.

Al di fuori della visione computerizzata, quali sono alcune altre potenziali applicazioni future per i dati sintetici?

Oltre alla moltitudine di casi d’uso della visione computerizzata relativi a prodotti per i consumatori, autonomia, robotica, realtà aumentata/virtuale e molto altro, i dati sintetici avranno anche un impatto su altre modalità di dati. Stiamo già vedendo aziende che sfruttano approcci di dati sintetici per dati tabellari strutturati, voce e elaborazione del linguaggio naturale. Le tecnologie e le pipeline di generazione sottostanti differiscono per ogni modalità e, nel prossimo futuro, ci aspettiamo di vedere sistemi multi-modalità (ad esempio, video + voce).

C’è qualcos’altro che vorresti condividere su Synthesis AI?

Lo scorso anno, abbiamo rilasciato HumanAPI, un’importante estensione delle capacità di dati sintetici di Synthesis AI, che consente la generazione programmatica di milioni di esseri umani digitali unici e di alta qualità 3D. Questo annuncio arriva mesi dopo il lancio del prodotto di dati sintetici come servizio FaceAPI, che ha consegnato oltre 10 milioni di immagini facciali etichettate per aziende leader nel settore degli smartphone, della teleconferenza, dell’automobile e della tecnologia. HumanAPI è il prossimo passo nel viaggio dell’azienda per supportare applicazioni di AI avanzate.

HumanAPI consente anche una miriade di nuove opportunità per i nostri clienti, tra cui assistenti di intelligenza artificiale intelligenti, allenatori di fitness virtuali e, naturalmente, il mondo delle applicazioni del metaverso.

Creando un doppio digitale del mondo reale, il metaverso consentirà nuove applicazioni che vanno da reti sociali riimmaginate, esperienze di intrattenimento, teleconferenza, gaming e molto altro. L’AI della visione computerizzata sarà fondamentale per come il mondo reale viene catturato e ricreato con alta fedeltà nel regno digitale. Esseri umani fotorealistici, espressivi e comportamentali precisi saranno un componente essenziale del futuro delle applicazioni di visione computerizzata. HumanAPI è il primo prodotto a consentire alle aziende di creare grandi quantità di dati di corpo intero perfettamente etichettati su richiesta per costruire modelli di AI più capaci, tra cui stima della posizione, riconoscimento delle emozioni, caratterizzazione dell’attività e del comportamento, ricostruzione facciale e molto altro.

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