Yonatan Geifman, CEO & Co-Founder di Deci – Intervista

Yonatan Geifman è il CEO & Co-Founder di Deci che trasforma i modelli di intelligenza artificiale in soluzioni di produzione di alta qualità su qualsiasi hardware. Deci è stato riconosciuto come innovatore tecnologico per l’Edge AI da Gartner e incluso nell’elenco AI 100 di CB Insights. La sua tecnologia proprietaria ha stabilito nuovi record a MLPerf con Intel.

Cosa ti ha inizialmente attratto verso il machine learning?

Fin da giovane, sono sempre stato affascinato dalle tecnologie all’avanguardia – non solo usarle, ma veramente capire come funzionano.

Questa fascinazione di tutta la vita mi ha portato verso i miei studi di dottorato in informatica, dove la mia ricerca si è concentrata sulle reti neurali profonde (DNN). Mentre cercavo di capire questa tecnologia critica in un ambiente accademico, ho iniziato a comprendere veramente i modi in cui l’intelligenza artificiale può avere un impatto positivo sul mondo che ci circonda. Dalle città intelligenti che possono monitorare meglio il traffico e ridurre gli incidenti, ai veicoli autonomi che richiedono poca o nessuna intervento umano, ai dispositivi medici che salvano vite – ci sono infinite applicazioni in cui l’intelligenza artificiale può migliorare la società. Ho sempre saputo che volevo prendere parte a quella rivoluzione.

Puoi condividere la storia di come è nata Deci AI?

Non è difficile riconoscere – come ho fatto quando ero a scuola per il mio dottorato – quanto l’intelligenza artificiale possa essere utile in casi d’uso across the board. Eppure, molte imprese lottano per capitalizzare appieno il potenziale dell’intelligenza artificiale, poiché gli sviluppatori continuano a incontrare una battaglia in salita per sviluppare modelli di apprendimento profondo pronti per la produzione. In altre parole, è ancora molto difficile produrre l’intelligenza artificiale.

Queste sfide possono essere attribuite in gran parte al divario di efficienza dell’intelligenza artificiale che affligge l’industria. Gli algoritmi stanno crescendo esponenzialmente più potenti e richiedono più potenza di calcolo, ma allo stesso tempo devono essere distribuiti in modo efficiente in termini di costo, spesso su dispositivi edge con risorse limitate.

I miei co-fondatori, il prof. Ran El-Yaniv, Jonathan Elial e io, abbiamo fondato Deci per affrontare quella sfida. E l’abbiamo fatto nell’unico modo che vedevamo possibile – utilizzando l’intelligenza artificiale stessa per creare la prossima generazione di apprendimento profondo. Abbiamo adottato un approccio algorithmico, lavorando per migliorare l’efficacia degli algoritmi di intelligenza artificiale nelle fasi iniziali, il che a sua volta consentirà agli sviluppatori di costruire e lavorare con modelli che forniscono i più alti livelli di accuratezza e efficienza per qualsiasi hardware di inferenza dato.

Il deep learning è al cuore di Deci AI, potresti definirlo per noi?

Il deep learning, come il machine learning, è un sottocampo dell’intelligenza artificiale, progettato per potenziare una nuova era di applicazioni. Il deep learning è fortemente ispirato a come è strutturato il cervello umano, ed è per questo che quando discutiamo di deep learning, discutiamo di “reti neurali”. Ciò è super rilevante per le applicazioni edge (come ad esempio le telecamere nelle città intelligenti, i sensori sui veicoli autonomi, le soluzioni analitiche nel settore sanitario) dove i modelli di apprendimento profondo sul posto sono cruciali per generare tali informazioni in tempo reale.

Cosa è la Ricerca di Architettura Neurale?

La Ricerca di Architettura Neurale (NAS) è una disciplina tecnologica volta a ottenere migliori modelli di apprendimento profondo.

Il lavoro pionieristico di Google (GOOGL ) sulla NAS nel 2017 ha aiutato a portare l’argomento nel mainstream, almeno all’interno dei circoli accademici e di ricerca.

L’obiettivo della NAS è trovare l’architettura di rete neurale migliore per un problema dato. Automatizza la progettazione delle DNN, garantendo prestazioni più elevate e perdite più basse rispetto alle architetture progettate manualmente. Ciò comporta un processo in cui un algoritmo cerca tra uno spazio aggregato di milioni di architetture di modello disponibili, per ottenere un’architettura unicamente adatta a risolvere quel particolare problema. Per semplificare, utilizza l’intelligenza artificiale per progettare nuova intelligenza artificiale, in base alle specifiche esigenze di qualsiasi progetto dato.

Viene utilizzato dalle squadre per semplificare il processo di sviluppo, ridurre le iterazioni di prova ed errore e assicurarsi di ottenere il modello finale che può meglio servire gli obiettivi di accuratezza e prestazioni dell’applicazione.

Quali sono alcune delle limitazioni della Ricerca di Architettura Neurale?

Le limitazioni principali della NAS tradizionale sono l’accessibilità e la scalabilità. La NAS oggi è utilizzata principalmente in ambienti di ricerca e solitamente solo eseguita da giganti tecnologici come Google e Facebook (META ), o in istituti accademici come Stanford, poiché le tecniche di NAS tradizionali sono complesse da eseguire e richiedono molte risorse computazionali.

È per questo che sono così orgoglioso dei nostri risultati nello sviluppare la tecnologia AutoNAC (Automated Neural Architecture Construction) di Deci, che democratizza la NAS e consente alle aziende di tutte le dimensioni di costruire facilmente architetture di modello personalizzate con accuratezza e velocità migliori rispetto allo stato dell’arte per le loro applicazioni.

Com’è diverso l’apprendimento della rilevazione di oggetti in base al tipo di immagine?

Sorprendentemente, il dominio delle immagini non influenza in modo drammatico il processo di addestramento dei modelli di rilevamento di oggetti. Che tu stia cercando un pedone per strada, un tumore in una scansione medica o un’arma nascosta in un’immagine a raggi X scattata dalla sicurezza aeroportuale, il processo è più o meno lo stesso. I dati che utilizzi per addestrare il tuo modello devono essere rappresentativi del compito in questione, e le dimensioni e la struttura del modello potrebbero essere influenzate dalle dimensioni, dalla forma e dalla complessità degli oggetti nella tua immagine.

Com’è che Deci AI offre una piattaforma end-to-end per il deep learning?

La piattaforma di Deci consente agli sviluppatori di costruire, addestrare e distribuire modelli di apprendimento profondo precisi e veloci in produzione. Ciò consente alle squadre di sfruttare le più recenti ricerche e le migliori pratiche di ingegneria con una sola riga di codice, riducendo il tempo di mercato da mesi a poche settimane e garantendo il successo in produzione.

Avete iniziato con un team di 6 persone e ora servite grandi imprese. Potresti discutere la crescita dell’azienda e alcune delle sfide che avete affrontato?

Siamo entusiasti della crescita che abbiamo raggiunto dal 2019. Ora, con oltre 50 dipendenti e oltre 55 milioni di dollari di finanziamenti fino ad oggi, siamo fiduciosi che possiamo continuare ad aiutare gli sviluppatori a realizzare e agire sul vero potenziale dell’intelligenza artificiale. Dal lancio, siamo stati inclusi nell’elenco CB Insights’ AI 100, abbiamo ottenuto risultati innovativi, come la nostra famiglia di modelli che forniscono prestazioni di apprendimento profondo dirompenti sui CPU, e abbiamo consolidato collaborazioni significative, tra cui con grandi nomi come Intel.

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

Come ho menzionato prima, il divario di efficienza dell’intelligenza artificiale continua a causare grandi ostacoli per la produzione di intelligenza artificiale. “Spostare a sinistra” – considerando le limitazioni di produzione all’inizio del ciclo di vita di sviluppo, riduce il tempo e il costo spesi per risolvere potenziali ostacoli quando si distribuiscono modelli di apprendimento profondo in produzione in seguito. La nostra piattaforma ha dimostrato di essere in grado di farlo, fornendo alle aziende gli strumenti necessari per sviluppare e distribuire soluzioni di intelligenza artificiale che possono cambiare il mondo.

Il nostro obiettivo è semplice – rendere l’intelligenza artificiale ampiamente accessibile, economica e scalabile.

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