オムリ・ゲラー、Run:AIのCEO兼共同創設者 – インタビュー・シリーズ

オムリ・ゲラーは、Run:AIのCEO兼共同創設者です。

Run:AIは、GPUコンピューティング・リソースをプール化することで、AIを仮想化し、加速化します。これにより、リソースの優先順位付けと割り当てに対する可視性と制御が可能になり、AIプロジェクトがビジネス目標にマッピングされ、データサイエンスチームの生産性が大幅に改善されます。同時に、リソース制限なしで複数のモデルを構築およびトレーニングできるようになります。

あなたが初めてAIに惹かれたのは何でしたか?

私はテルアビブ大学で電気電子工学の学士課程を始めたとき、AIの魅力的なことについて学び、コンピューティングの可能性を次のステップに進めることができると知りました。そこから、AIの研究に取り組むか、AIを世界に導入する会社を設立することを決めました。

コンピューターハードウェアに興味を持ったことはありますか?

私は6歳か7歳のときに、インテル486プロセッサのコンピュータを初めて受け取り、すぐにそれがどのように動いているのかを理解しようとしました。スポーツ以外に、コンピュータは私の最大の趣味となりました。以来、私はコンピュータを組み立て、使用し、子供の頃からの情熱により、その分野を学びました。

Run:AIを立ち上げるきっかけとなったのは何でしたか?

私は早くからAIの分野に取り組むことを決めていました。過去数年間で、AIは驚異的な成長を遂げ、コンピュータ科学者やハードウェアの進歩により、より多くのアプリケーションが可能になりました。私と共同創設者のローネン・ダールは、企業にAIを導入するための革新的な解決策を提供する会社を設立することを決めました。

Run:AIは、機械学習のスペシャリストがGPUリソースの割り当てに対する新しいタイプの制御を獲得できるようにします。どうやってこれが機能するのか説明してください。

私たちが理解する必要があるのは、機械学習エンジニアやデータサイエンティストは、コンピューティング・パワーを柔軟に消費する必要があるということです。今日の最新の計算は非常に計算集約的であり、データサイエンスでは新しいワークフローが使用されています。これらのワークフローは、実験を実行することと、それを繰り返すことに基づいています。

より効率的な実験を実行するための新しい解決策を開発するには、時間の経過に伴うこれらのワークフロー傾向を研究する必要があります。たとえば、データサイエンティストは1日に8つのGPUを使用するかもしれませんが、次の日には0つか、長期間にわたって1つのGPUを使用するかもしれませんが、100個の実験を並行して実行したい場合は100つのGPUを使用する必要があります。1人のユーザーのワークフローを最適化するための処理能力を理解することで、複数のユーザーにスケールアップできるようになります。

従来のコンピューティングでは、特定の数のGPUが各ユーザーに割り当てられ、使用中かどうかに関係なく、GPUは高価なリソースが浪費され、他のユーザーがアクセスできないことが多くなります。私たちは会社の財務優先順位を理解し、ユーザーのニーズに応じてダイナミックにリソースを割り当てる解決策を提供します。柔軟なシステムを提供することで、特定のユーザーに必要な追加のパワーを割り当てることができます。会社のコンピューティング・リソースの最大のROIを生み出し、AIソリューションのイノベーションと市場投入を加速します。

Run:AIの機能の1つは、GPUの静的割り当てによって生じるブラインドスポットを削減できることです。これはどのように実現されるのですか?

私たちには、リソース・クラスターの完全な可視性を提供するツールがあります。このツールを使用して、ブラインドスポットを観察し、理解し、アイドル状態のGPUを必要なユーザーに割り当てることができます。クラスターの可視性と制御を提供する同じツールは、ブラインドスポットを軽減することも保証します。

最近のスピーチでは、ビルドとトレーニングのワークフローに関するいくつかの違いについて説明しました。Run:AIはGPUキュー管理メカニズムを使用して、これらの両方のリソース管理を割り当てる方法を説明してください。

AIモデルは2つのステージで構築されます。最初のステージはビルドのステージで、データサイエンティストが実際のモデルを構築するコードを書き込むステージです。2つ目のステージはトレーニングのステージで、完成したモデルが特定のタスクを最適化する方法を学習し、「トレーニング」を受けるステージです。

モデル自体を構築するには、多くのコンピューティング・パワーは必要ありません。しかし、最終的には、内部テストを開始するためにより強力な処理能力が必要になる可能性があります。たとえば、エンジニアが車のエンジンを組み立てる前にテストしたいと考えているのと同じです。ビルドとトレーニングの各ステージで異なるニーズがあるため、Run:AIは、モデルをビルドまたはトレーニングする際にGPUを割り当てることを可能にします。ただし、前述のように、トレーニングには一般的にビルドよりも多くのGPUが必要です。

Run:AIをシステムに統合したいAI開発者が節約できる生のコンピューティング時間/リソースはどれくらいですか?

Run:AIのソリューションは、リソースのデジタル化を約2〜3倍改善することで、全体的な生産性を2〜3倍向上させることができます。

インタビューありがとうございました。詳細については、Run:AIをご覧ください。