ヨナタン・ゲイフマン氏、Deci CEO兼共同創設者 – インタビューシリーズ

ヨナタン・ゲイフマン の CEO 兼共同創設者です デシ これにより、AI モデルがあらゆるハードウェア上で実稼働グレードのソリューションに変換されます。 Deci は Gartner によってエッジ AI の技術イノベーターとして認められ、CB Insights の AI 100 リストに含まれています。 独自のテクノロジーのパフォーマンスは、Intel との MLPerf で新記録を樹立しました。

最初に機械学習に惹かれたのは何ですか?

私は幼い頃から、最先端のテクノロジーに常に魅了されてきました。それを使用するだけでなく、それらがどのように機能するかを真に理解することにも興味がありました。

この生涯にわたる興味は、私の最終的なコンピュータ サイエンスの博士号取得への道を切り開き、ディープ ニューラル ネットワーク (DNN) に焦点を当てた研究が行われました。 学術的な環境でこの重要なテクノロジーを理解するにつれて、AI が私たちの周囲の世界にどのようにプラスの影響を与えることができるかを真に理解するようになりました。 交通状況をより適切に監視して事故を減らすことができるスマートシティから、人間の介入をほとんどまたはまったく必要としない自動運転車、救命医療機器まで、AI が社会を改善できるアプリケーションは無限にあります。 私は常にその革命に参加したいと思っていました。

Deci AI の背後にある誕生のストーリーを教えていただけますか?

私が博士課程の学生だったときと同じように、AI があらゆるユースケースにおいてどれほど有益であるかを認識することは難しくありません。 しかし、開発者が運用に対応した展開用の深層学習モデルを開発するという困難な戦いに常に直面しているため、多くの企業は AI の可能性を最大限に活用することに苦戦しています。 つまり、AIの製品化は依然として非常に難しいのです。

これらの課題は主に、業界が直面している AI 効率のギャップに起因している可能性があります。 アルゴリズムは飛躍的に強力になり、より多くの計算能力を必要としますが、並行して、多くの場合リソースに制約のあるエッジ デバイス上で、コスト効率の高い方法でアルゴリズムを展開する必要があります。

私の共同創設者である Ran El-Yaniv 教授、Jonathan Elial と私は、この課題に対処するために Deci を共同設立しました。 そして私たちは、可能だと考えた唯一の方法、つまり AI 自体を使用して次世代のディープラーニングを構築することでそれを実行しました。 私たちはアルゴリズム優先のアプローチを採用し、初期段階で AI アルゴリズムの有効性を向上させることに取り組みました。これにより、開発者は、特定の推論ハードウェアに対して最高レベルの精度と効率を実現するモデルを構築して操作できるようになります。

ディープラーニングは Deci AI の中核です。定義していただけますか?

ディープ ラーニングは、機械学習と同様、AI のサブ分野であり、アプリケーションの新時代を強化することを目指しています。 ディープ ラーニングは人間の脳の構造に大きく影響を受けており、ディープ ラーニングについて議論する際には「ニューラル ネットワーク」について議論するのはそのためです。 これは、オンサイトの深層学習モデルがそのような洞察をリアルタイムで生成するために重要であるエッジ アプリケーション (スマート シティのカメラ、自動運転車のセンサー、ヘルスケアの分析ソリューションを考えてください) に非常に関連しています。

ニューラルアーキテクチャ検索とは何ですか?

Neural Architecture Search (NAS) は、より優れた深層学習モデルを取得することを目的とした技術分野です。

2017 年の Google の NAS に関する先駆的な取り組みは、少なくとも研究界や学術界において、このテーマを主流にするのに役立ちました。

NAS の目標は、特定の問題に対して最適なニューラル ネットワーク アーキテクチャを見つけることです。 DNN の設計を自動化し、手動で設計したアーキテクチャよりも高いパフォーマンスと低い損失を保証します。 これには、アルゴリズムが何百万もの利用可能なモデル アーキテクチャの集合空間の中を検索して、その特定の問題を解決するのに独自に適したアーキテクチャを生成するプロセスが含まれます。 簡単に言うと、AI を利用して、特定のプロジェクトの特定のニーズに基づいて新しい AI を設計します。

これは、開発プロセスを簡素化し、試行錯誤の繰り返しを減らし、アプリケーションの精度とパフォーマンスの目標を最大限に達成できる最終的なモデルを確実に完成させるために、チームによって使用されます。

ニューラル アーキテクチャ検索の制限にはどのようなものがありますか?

従来の NAS の主な制限は、アクセシビリティとスケーラビリティです。 現在の NAS は主に研究環境で使用されており、従来の NAS 技術は実行が複雑で大量の計算リソースを必要とするため、通常は Google や Facebook などのテクノロジー大手、またはスタンフォードなどの学術機関でのみ実行されています。

だからこそ、私は Deci の画期的な AutoNAC (Automated Neural Architecture Construction) テクノロジーの開発における成果をとても誇りに思っています。これにより、NAS が民主化され、あらゆる規模の企業が最先端の精度を超えるカスタム モデル アーキテクチャを簡単に構築できるようになります。アプリケーションの速度を向上させます。

学習物体検出は画像の種類に基づいてどのように異なりますか?

驚くべきことに、画像の領域は物体検出モデルのトレーニング プロセスに劇的な影響を与えません。 路上の歩行者を探す場合でも、医療スキャンで腫瘍を探す場合でも、空港の警備員が撮影した X 線画像で隠し武器を探す場合でも、プロセスはほぼ同じです。 モデルのトレーニングに使用するデータは、当面のタスクを代表するものである必要があり、モデルのサイズと構造は、画像内のオブジェクトのサイズ、形状、複雑さによって影響を受ける可能性があります。

Deci AI はディープ ラーニング用のエンドツーエンド プラットフォームをどのように提供しますか?

Deci のプラットフォームを使用すると、開発者は正確かつ高速な深層学習モデルを構築、トレーニングし、実稼働環境にデプロイできます。 そうすることで、チームは XNUMX 行のコードで最先端の研究とエンジニアリングのベスト プラクティスを活用し、市場投入までの時間を数か月から数週間短縮し、本番環境での成功を保証できます。

最初は 6 人のチームでスタートし、現在は大企業にサービスを提供しています。 会社の成長と、これまで直面した課題についてお話しいただけますか?

私たちは、2019 年の開始以来達成してきた成長に興奮しています。現在、従業員は 50 名を超え、これまでに 55 万ドル以上の資金を調達しており、今後も開発者が AI の真の可能性を認識し、それに基づいて行動できるよう支援できると確信しています。 立ち上げ以来、当社は以下に含まれています CB Insights の AI 100、画期的な成果をもたらす当社のモデルファミリーなど、画期的な成果を上げました。 CPU でのディープラーニングのパフォーマンスなどの有名人との協力を含め、有意義なコラボレーションを強化しました。 インテル.

Deci AI について他に共有したいことはありますか?

前に述べたように、AI の効率性のギャップは、AI の製品化に大きな障害を引き起こし続けています。 「左へのシフト」 – 開発ライフサイクルの早い段階で本番環境の制約を考慮すると、将来的にディープラーニング モデルを本番環境にデプロイする際の潜在的な障害の修正に費やす時間とコストが削減されます。 当社のプラットフォームは、世界を変える AI ソリューションの開発と導入を成功させるために必要なツールを企業に提供することで、まさにそれを実現できることが証明されています。

私たちの目標はシンプルです。AI を広くアクセス可能にし、手頃な価格でスケーラブルにすることです。

素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は、こちらをご覧ください。 デシ.