ראיונות
יונתן גייפמן, מנכ"ל ומייסד שותף של Deci – סדרת ראיונות
יונתן גייפמן הוא המנכ"ל והמייסד המשותף של דצי מה שהופך מודלים של AI לפתרונות ברמת ייצור על כל חומרה. Deci הוכר כחדשן טכנולוגי עבור Edge AI על ידי Gartner ונכלל ברשימת ה-AI 100 של CB Insights. הביצועים של הטכנולוגיה הקניינית שלה קבעו שיאים חדשים ב-MLPerf עם אינטל.
מה משך אותך בתחילה ללמידת מכונה?
מגיל צעיר, תמיד הוקסמתי מטכנולוגיות חדשניות - לא רק באמצעותן, אלא באמת להבין כיצד הן פועלות.
הקסם הזה לכל החיים סלל את הדרך לקראת לימודי הדוקטורט שלי במדעי המחשב, שם המחקר שלי התמקד ברשתות עצביות עמוקות (DNNs). כשהגעתי להבנה של הטכנולוגיה הקריטית הזו בסביבה אקדמית, התחלתי להבין באמת את הדרכים שבהן AI יכול להשפיע באופן חיובי על העולם סביבנו. מערים חכמות שיכולות לנטר טוב יותר את התנועה ולצמצם תאונות, לרכבים אוטונומיים שדורשים מעט או ללא התערבות אנושית, ועד למכשירים רפואיים מצילי חיים - יש אינסוף יישומים שבהם AI יכול לשפר את החברה. תמיד ידעתי שאני רוצה לקחת חלק במהפכה ההיא.
האם תוכל לשתף את סיפור ההתחלה מאחורי Deci AI?
לא קשה לזהות - כפי שעשיתי כשהייתי בבית הספר לדוקטורט שלי - עד כמה בינה מלאכותית יכולה להיות מועילה במקרים של שימוש בכל התחומים. עם זאת, ארגונים רבים נאבקים לנצל את מלוא הפוטנציאל של בינה מלאכותית, מכיוון שמפתחים מתמודדים ללא הרף בקרב עלייה לפיתוח מודלים של למידה עמוקה מוכנים לייצור לפריסה. במילים אחרות, זה נשאר סופר קשה לייצר AI.
ניתן לייחס את האתגרים הללו במידה רבה לפער היעילות של AI העומד בפני התעשייה. האלגוריתמים הולכים וגדלים בצורה אקספוננציאלית חזקים יותר ודורשים כוח מחשוב רב יותר, אך במקביל יש לפרוס אותם בצורה חסכונית, לרוב בהתקני קצה מוגבלים במשאבים.
המייסדים השותפים שלי פרופ' רן אל-יניב, יונתן אליאל ואני היינו שותפים להקמת Deci כדי להתמודד עם האתגר הזה. ועשינו את זה בדרך היחידה שראינו אפשרית - על ידי שימוש בבינה מלאכותית עצמה כדי ליצור את הדור הבא של למידה עמוקה. אימצנו גישה אלגוריתמית-ראשונה, הפועלת לשיפור היעילות של אלגוריתמי AI בשלבים המוקדמים יותר, אשר בתורה תאפשר למפתחים לבנות ולעבוד עם מודלים המספקים את הרמות הגבוהות ביותר של דיוק ויעילות עבור כל חומרת מסקנות נתונה.
למידה עמוקה היא הליבה של Deci AI, האם תוכל להגדיר זאת עבורנו?
למידה עמוקה, כמו למידת מכונה, היא תת-תחום של בינה מלאכותית, שנועדה להעצים עידן חדש של יישומים. למידה עמוקה שואבת השראה רבה מהאופן שבו המוח האנושי בנוי, וזו הסיבה שכאשר אנו דנים בלמידה עמוקה, אנו דנים ב"רשתות עצביות". זה סופר רלוונטי ליישומי קצה (תחשוב על מצלמות בערים חכמות, חיישנים ברכבים אוטונומיים, פתרונות אנליטיים בתחום הבריאות) שבהם מודלים של למידה עמוקה באתר חיוניים להפקת תובנות כאלה בזמן אמת.
מהו חיפוש אדריכלות עצבית?
חיפוש ארכיטקטורה עצבית (NAS) הוא דיסציפלינה טכנולוגית שמטרתה להשיג מודלים טובים יותר של למידה עמוקה.
העבודה החלוצית של גוגל על NAS בשנת 2017 עזרה להביא את הנושא לזרם המרכזי, לפחות בתוך חוגי המחקר והאקדמיה.
המטרה של NAS היא למצוא את ארכיטקטורת הרשת העצבית הטובה ביותר עבור בעיה נתונה. זה ממכן את התכנון של DNNs, ומבטיח ביצועים גבוהים יותר והפסדים נמוכים יותר מארכיטקטורות שתוכננו באופן ידני. זה כרוך בתהליך שבו אלגוריתם מחפש בין מרחב מצטבר של מיליוני ארכיטקטורים זמינים של מודלים, כדי להניב ארכיטקטורה המתאימה באופן ייחודי לפתרון הבעיה המסוימת הזו. במילים פשוטות, הוא משתמש בבינה מלאכותית כדי לעצב בינה מלאכותית חדשה, בהתבסס על הצרכים הספציפיים של כל פרויקט נתון.
הוא משמש על ידי צוותים כדי לפשט את תהליך הפיתוח, לצמצם חזרות ניסוי וטעייה ולהבטיח שהם בסופו של דבר עם המודל האולטימטיבי שיכול לשרת בצורה הטובה ביותר את יעדי הדיוק והביצועים של היישומים.
מהן כמה מהמגבלות של חיפוש אדריכלות עצבית?
המגבלות העיקריות של NAS מסורתי הן נגישות ומדרגיות. NAS כיום משמש בעיקר במסגרות מחקר ובדרך כלל מבוצע רק על ידי ענקיות טכנולוגיה כמו גוגל ופייסבוק, או במכונים אקדמיים כמו סטנפורד, שכן טכניקות NAS מסורתיות מסובכות לביצוע ודורשות משאבי חישוב רבים.
לכן אני כל כך גאה בהישגים שלנו בפיתוח טכנולוגיית AutoNAC (Automated Neural Architecture Construction) פורצת הדרך של Deci, אשר מבצעת דמוקרטיזציה של NAS ומאפשרת לחברות מכל הגדלים לבנות בקלות ארכיטקטורות מודלים מותאמים אישית עם דיוק טוב יותר מאשר חדיש. מהירות עבור היישומים שלהם.
במה שונה זיהוי התנגדויות למידה בהתבסס על סוג התמונה?
באופן מפתיע, תחום התמונות אינו משפיע באופן דרמטי על תהליך האימון של מודלים לזיהוי אובייקטים. בין אם אתם מחפשים הולך רגל ברחוב, גידול בסריקה רפואית או נשק סמוי בתמונת רנטגן שצולמה על ידי אבטחת נמל התעופה, התהליך די זהה. הנתונים שבהם אתה משתמש כדי לאמן את המודל שלך צריכים להיות מייצגים את המשימה שלפניך, וגודל הדגם ומבנהו עשויים להיות מושפעים מהגודל, הצורה והמורכבות של האובייקטים בתמונה שלך.
כיצד מציעה Deci AI פלטפורמה מקצה לקצה ללמידה עמוקה?
הפלטפורמה של Deci מאפשרת למפתחים לבנות, לאמן ולפרוס מודלים מדויקים ומהירים של למידה עמוקה לייצור. בכך, צוותים יכולים למנף את שיטות המחקר וההנדסה החדשניות ביותר עם שורת קוד אחת, לקצר את זמן היציאה לשוק במשך חודשים עד שבועיים ולהבטיח הצלחה בייצור.
התחלת בהתחלה עם צוות של 6 אנשים, וכעת אתה משרת ארגונים גדולים. האם תוכל לדון בצמיחת החברה ובכמה מהאתגרים שעמדת בפניהם?
אנו נרגשים מהצמיחה שהשגנו מאז החל מ-2019. כעת, למעלה מ-50 עובדים, ומימון של למעלה מ-55 מיליון דולר עד כה, אנו בטוחים שנוכל להמשיך לעזור למפתחים לממש ולפעול על הפוטנציאל האמיתי של AI. מאז ההשקה, נכללנו ב- AI 100 של CB Insights, הגיעו להישגים פורצי דרך, כמו משפחת הדגמים שלנו שמספקת פריצת דרך ביצועי למידה עמוקה במעבדים, וביצע שיתופי פעולה משמעותיים, כולל עם שמות גדולים כמו אינטל.
האם יש משהו נוסף שתרצה לחלוק על Deci AI?
כפי שציינתי קודם, פער היעילות של AI ממשיך לגרום למכשולים עיקריים לייצור AI. "הזזה שמאלה" - התחשבות באילוצי הייצור בשלב מוקדם של מחזור חיי הפיתוח, מפחיתה את הזמן והעלות המושקעים בתיקון מכשולים פוטנציאליים בעת פריסת מודלים של למידה עמוקה בייצור לאורך הקו. הפלטפורמה שלנו הוכיחה שהיא מסוגלת לעשות בדיוק את זה על ידי מתן הכלים הדרושים לחברות כדי לפתח ולפרוס בהצלחה פתרונות AI משנים עולמיים.
המטרה שלנו היא פשוטה - להפוך את AI לנגיש באופן נרחב, סביר וניתן להרחבה.
תודה על הראיון הנהדר, קוראים שרוצים ללמוד עוד צריכים לבקר דצי.
