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

ヨナタン・ガイフマンは、DeciのCEO兼共同創設者です。Deciは、AIモデルを任意のハードウェアで生産グレードのソリューションに変換する会社です。Deciは、GartnerによってEdge AIのテクノロジー・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。その独自のテクノロジーのパフォーマンスは、MLPerfでIntelとともに新記録を樹立しました。

あなたがマシンラーニングに惹かれたきっかけは何ですか?

私は子供の頃から、最先端のテクノロジーに興味がありました。ただ使用するだけでなく、どのように機能するのかを真正に理解したいと思っていました。

この関心は、私のコンピューターシステムの博士課程研究につながりました。私の研究は、ディープニューラルネットワーク（DNNs）に焦点を当てていました。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、私はAIが世界に及ぼす可能性を理解するようになりました。スマートシティーが交通をよりよく監視し、事故を減らすことができるように、または自律走行車が人間の介入を必要としないように、または命を救う医療機器など、AIが社会に与える影響は無限にあります。私は常にその革命に参加したいと思っていました。

Deci AIの創設ストーリーを共有してください。

AIが様々なユースケースで有益であることを認識するのは難しくありません。ただし、多くの企業はAIの全潜在能力を活用するのに苦労しています。開発者は、プロダクションレディなディープラーニングモデルを開発してデプロイするのに、常に困難に直面しています。つまり、AIを商品化することは非常に難しいです。

これらの課題は、業界が直面しているAI効率ギャップに大きく帰因します。アルゴリズムは指数関数的に強力になり、より多くのコンピューティングパワーを必要としますが、同時にコスト効率の良い方法で、リソースが制約されたエッジデバイスにデプロイ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、Deciをこの課題に対処するために創設しました。私たちは、次の世代のディープラーニングを生み出すためにAI自体を使用することによってのみ、それを実現できることを認識しました。私たちは、アルゴリズム第一のアプローチを採用し、AIアルゴリズムの有効性を初期段階で改善することに重点を置き、開発者が、任意のインフェレンスハードウェアに対して、最高レベルの精度と効率性を提供するモデルを構築して操作できるようにしました。

ディープラーニングについて説明してください。

ディープラーニングは、機械学習と同様に、AIのサブフィールドであり、新しいアプリケーションの時代を可能にします。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います。つまり、ディープラーニングについて話すとき、ニューラルネットワークについて話すことになります。これは、エッジアプリケーション（スマートシティーのカメラ、自律走行車のセンサー、ヘルスケアの分析ソリューションなど）でリアルタイムにインサイトを生成するために、オンスाइटのディープラーニングモデルが重要であるため、非常に重要です。

ニューラルアーキテクチャサーチとは何ですか?

ニューラルアーキテクチャサーチ（NAS）は、より良いディープラーニングモデルを取得することを目的とした技術分野です。

Googleの2017年のNASに関する先駆的な研究は、研究および学術的な圈でこのトピックを主流にしました。

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。ディープラーニングモデルを自動的に設計し、手動で設計され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。プロセスでは、アルゴリズムが特定の問題を解決するために最も適したアーキテクチャを、数百万のモデルアーキテクチャの集合空間の中から検索します。簡単に言えば、特定のプロジェクトのニーズに基づいて、新しいAIを設計するためにAIを使用します。

チームは、開発プロセスを簡素化し、試行錯誤の反復を減らし、ターゲットの精度とパフォーマンスを達成するために最適なモデルで終わることを保証するために、NASを使用します。

ニューラルアーキテクチャサーチの限界は何ですか?

従来のNASの主な限界は、利用可能性とスケーラビリティです。NASは現在、主に研究環境で使用されており、GoogleやFacebookなどのテクノロジー企業やスタンフォードなどの学術機関で使用されています。従来のNAS技術は、複雑で、多くのコンピューティングリソースを必要とします。

そのため、私は私たちのAutoNAC（Automated Neural Architecture Construction）テクノロジーの開発における私たちの業績を非常に誇りに思っています。AutoNACは、NASを民主化し、すべての規模の企業が、簡単にカスタムモデルアーキテクチャを構築できるようにし、特定のアプリケーションに対して、最先端の精度と速度を提供できるようにします。

画像タイプに基づいて、物体検出の学習はどのように異なりますか?

驚くべきことに、画像のドメインは、物体検出モデルのトレーニングプロセスに大きな影響を与えません。歩道の歩行者、医療スキャンの腫瘍、または空港セキュリティのX線画像で隠された武器を検出しようとしているかに関係なく、プロセスはほぼ同じです。モデルをトレーニングするために使用するデータは、タスクを代表する必要があり、モデルサイズと構造は、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のため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ていますか?

Deciのプラットフォームは、開発者が、プロダクションで使用するために、正確で高速なディープラーニングモデルを構築、トレーニング、デプロイできるようにします。そうすることで、チームは、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1行のコードで活用し、市場投入までの時間を数ヶ月から数週間に短縮し、プロダクションでの成功を保証できます。

あなたは最初に6人で始めましたが、現在は大規模な企業にサービスを提供しています。会社の成長と直面した課題について話してください。

2019年に始めてから、成長を達成できてとてもうれしく思います。現在、50人以上の従業員と5500万ドル以上の資金を擁し、開発者がAIの真の潜在能力を実現し、活用できるように支援するために、継続的に取り組んでいます。立ち上げ以来、CB Insightsの2021 AI 100リストに含まれるなど、画期的な成果を達成し、Intelと協力して、CPUでのディープラーニングのパフォーマンスを最適化するなど、有意義なコラボレーションを確立しています。

Deci AIについてさらに共有したいことはありますか?

前述したように、AI効率ギャップは、AI製品化のための大きな障害のまま続いています。開発ライフサイクルの中で、早期にプロダクションの制約を考慮することで、「左にシフト」することで、後でディープラーニングモデルをプロダクションにデプロイする際に発生する潜在的な障害を修正するための時間とコストを削減できます。私たちのプラットフォームは、企業が世界を変えるAIソリューションを成功裏に開発し、デプロイするために必要なツールを提供することで、これを実現できることを証明しています。

私たちの目標は、AIを幅広くアクセス可能、費用対効果が高く、スケーラブルにすることです。

素晴らしいインタビュー、詳細についてはDeciを訪問してください。