იონატან გეიფმანი, აღმასრულებელი დირექტორი და Deci - ინტერვიუს სერიის თანადამფუძნებელი

იონატან გეიფმანი არის აღმასრულებელი დირექტორი და თანადამფუძნებელი დეცი რომელიც გარდაქმნის ხელოვნური ინტელექტის მოდელებს წარმოების ხარისხის გადაწყვეტილებებად ნებისმიერ აპარატურაზე. Deci აღიარებულია Gartner-ის მიერ Edge AI-ის ტექნიკურ ნოვატორად და შედის CB Insights-ის AI 100 სიაში. მისი საკუთრების ტექნოლოგიის შესრულებამ ახალი რეკორდები დაამყარა MLPerf-ში Intel-თან ერთად.

თავიდან რამ მიგიზიდათ მანქანური სწავლებით?

პატარა ასაკიდან მე ყოველთვის მხიბლავდა უახლესი ტექნოლოგიები - არა მხოლოდ მათი გამოყენება, არამედ იმის გაგება, თუ როგორ მუშაობენ ისინი.

ამ უწყვეტმა მომხიბვლელობამ გზა გაუხსნა ჩემი საბოლოო დოქტორანტურის სწავლებას კომპიუტერულ მეცნიერებაში, სადაც ჩემი კვლევა ფოკუსირებული იყო ღრმა ნერვულ ქსელებზე (DNN). როდესაც მივხვდი ამ კრიტიკულ ტექნოლოგიას აკადემიურ გარემოში, დავიწყე ჭეშმარიტად გააზრება, თუ როგორ შეუძლია AI-ს შეუძლია დადებითად იმოქმედოს ჩვენს გარშემო არსებულ სამყაროზე. ჭკვიანი ქალაქებიდან, რომლებსაც შეუძლიათ უკეთ აკონტროლონ მოძრაობა და შეამცირონ ავარიები, ავტონომიურ სატრანსპორტო საშუალებებამდე, რომლებიც არ საჭიროებენ ადამიანის ჩარევას, სიცოცხლის გადამრჩენ სამედიცინო მოწყობილობებს – არსებობს გაუთავებელი აპლიკაციები, სადაც AI-ს შეუძლია გააუმჯობესოს საზოგადოება. ყოველთვის ვიცოდი, რომ მინდოდა ამ რევოლუციაში მონაწილეობა.

შეგიძლიათ გაგიზიაროთ Deci AI-ის წარმოშობის ისტორია?

ძნელი არ არის იმის აღიარება - როგორც მე ვაკეთებდი სკოლაში დოქტორანტურაში სწავლის დროს - რამდენად მომგებიანი შეიძლება იყოს ხელოვნური ინტელექტი მთელს მსოფლიოში გამოყენებისას. მიუხედავად ამისა, ბევრი საწარმო ცდილობს გამოიყენოს ხელოვნური ინტელექტის სრული პოტენციალი, რადგან დეველოპერები მუდმივად აწყდებიან მძიმე ბრძოლას წარმოებისთვის მზა ღრმა სწავლის მოდელების შესაქმნელად. სხვა სიტყვებით რომ ვთქვათ, AI-ს წარმოება ძალიან რთულია.

ეს გამოწვევები დიდწილად შეიძლება მიეკუთვნებოდეს AI ეფექტურობის ხარვეზს, რომელიც ინდუსტრიის წინაშე დგას. ალგორითმები იზრდება ექსპონენტურად უფრო მძლავრი და საჭიროებს მეტ გამოთვლით სიმძლავრეს, მაგრამ პარალელურად ისინი უნდა განლაგდეს ხარჯთეფექტური გზით, ხშირად რესურსებით შეზღუდული პირას მოწყობილობებზე.

ჩემმა თანადამფუძნებლებმა, პროფესორ რან ელ-იანივმა, ჯონათან ელიალმა და მე დავაარსეთ Deci ამ გამოწვევის გადასაჭრელად. და ჩვენ ეს გავაკეთეთ მხოლოდ ისე, როგორც ჩვენ ვნახეთ შესაძლებელი - თავად ხელოვნური ინტელექტის გამოყენებით ღრმა სწავლის შემდეგი თაობის შესაქმნელად. ჩვენ მივიღეთ ალგორითმული პირველი მიდგომა, რომელიც ვმუშაობთ ადრეულ ეტაპებზე AI ალგორითმების ეფექტურობის გასაუმჯობესებლად, რაც, თავის მხრივ, მისცემს დეველოპერებს უფლებას შექმნან და იმუშაონ მოდელებთან, რომლებიც უზრუნველყოფენ სიზუსტისა და ეფექტურობის უმაღლეს დონეს ნებისმიერი მოცემული დასკვნის აპარატისთვის.

ღრმა სწავლა არის Deci AI-ს ბირთვი, შეგიძლიათ განსაზღვროთ ის ჩვენთვის?

ღრმა სწავლება, ისევე როგორც მანქანათმცოდნეობა, არის ხელოვნური ინტელექტის ქვედარგი, რომელიც შექმნილია აპლიკაციების ახალი ეპოქის გასაძლიერებლად. ღრმა სწავლა ძლიერ არის შთაგონებული ადამიანის ტვინის სტრუქტურით, რის გამოც ღრმა სწავლის განხილვისას ჩვენ განვიხილავთ „ნერვულ ქსელებს“. ეს ძალზე აქტუალურია ზღვრული აპლიკაციებისთვის (ვიფიქროთ კამერები ჭკვიან ქალაქებში, სენსორები ავტონომიურ მანქანებზე, ანალიტიკური გადაწყვეტილებები ჯანდაცვის სფეროში), სადაც ადგილზე ღრმა სწავლის მოდელები გადამწყვეტია რეალურ დროში ასეთი ინფორმაციის შესაქმნელად.

რა არის ნერვული არქიტექტურის ძიება?

Neural Architecture Search (NAS) არის ტექნოლოგიური დისციპლინა, რომელიც მიზნად ისახავს ღრმა სწავლის უკეთესი მოდელების მიღებას.

Google-ის პიონერულმა მუშაობამ NAS-ზე 2017 წელს ხელი შეუწყო თემის მეინსტრიმში მოქცევას, ყოველ შემთხვევაში კვლევით და აკადემიურ წრეებში.

NAS-ის მიზანია იპოვოთ საუკეთესო ნერვული ქსელის არქიტექტურა მოცემული პრობლემისთვის. ის ავტომატიზირებს DNN-ების დიზაინს, რაც უზრუნველყოფს უფრო მაღალ შესრულებას და ნაკლებ დანაკარგებს, ვიდრე ხელით შექმნილი არქიტექტურები. ის მოიცავს პროცესს, რომლის დროსაც ალგორითმი ეძებს მილიონობით ხელმისაწვდომი მოდელის თაღოვანი ტექნიკის მთლიან სივრცეს, რათა გამოიტანოს არქიტექტურა, რომელიც ცალსახად არის შესაფერისი ამ კონკრეტული პრობლემის გადასაჭრელად. მარტივად რომ ვთქვათ, ის იყენებს AI-ს ახალი AI-ის შესაქმნელად, ნებისმიერი მოცემული პროექტის სპეციფიკურ საჭიროებებზე დაყრდნობით.

მას იყენებენ გუნდები განვითარების პროცესის გასამარტივებლად, საცდელი და შეცდომის გამეორების შესამცირებლად და იმის უზრუნველსაყოფად, რომ ისინი დასრულდეს საბოლოო მოდელთან, რომელიც საუკეთესოდ ემსახურება აპლიკაციების სიზუსტეს და შესრულების მიზნებს.

რა არის ნერვული არქიტექტურის ძიების ზოგიერთი შეზღუდვა?

ტრადიციული NAS-ის ძირითადი შეზღუდვებია ხელმისაწვდომობა და მასშტაბურობა. NAS დღეს ძირითადად გამოიყენება კვლევის პარამეტრებში და, როგორც წესი, ხორციელდება მხოლოდ ტექნიკური გიგანტების მიერ, როგორიცაა Google და Facebook, ან აკადემიურ ინსტიტუტებში, როგორიცაა სტენფორდი, რადგან ტრადიციული NAS ტექნიკის განხორციელება რთულია და მოითხოვს უამრავ გამოთვლით რესურსს.

სწორედ ამიტომ ვამაყობ ჩვენი მიღწევებით Deci-ს ინოვაციური AutoNAC (Automated Neural Architecture Construction) ტექნოლოგიის შემუშავებაში, რომელიც ახდენს NAS-ის დემოკრატიზაციას და საშუალებას აძლევს ყველა ზომის კომპანიებს ადვილად ააშენონ მორგებული მოდელის არქიტექტურები თანამედროვეზე უკეთესი სიზუსტით და. სიჩქარე მათი აპლიკაციებისთვის.

როგორ განსხვავდება სასწავლო წინააღმდეგობის ამოცნობა გამოსახულების ტიპის მიხედვით?

გასაკვირია, რომ სურათების დომენი მკვეთრად არ მოქმედებს ობიექტების აღმოჩენის მოდელების სასწავლო პროცესზე. თუ თქვენ ეძებთ ფეხით მოსიარულეს ქუჩაში, სიმსივნეს სამედიცინო სკანირებით ან ფარულ იარაღს აეროპორტის დაცვის მიერ გადაღებულ რენტგენოლოგიურ სურათში, პროცესი თითქმის იგივეა. მონაცემები, რომლებსაც იყენებთ თქვენი მოდელის მოსამზადებლად, უნდა იყოს წარმომადგენლობითი ამოცანის შესასრულებლად და მოდელის ზომასა და სტრუქტურაზე შეიძლება გავლენა იქონიოს თქვენს სურათზე არსებული ობიექტების ზომაზე, ფორმაზე და სირთულეზე.

როგორ გვთავაზობს Deci AI საბოლოო პლატფორმას ღრმა სწავლისთვის?

Deci-ს პლატფორმა აძლევს დეველოპერებს უფლებას შექმნან, მოამზადონ და განათავსონ ზუსტი და სწრაფი ღრმა სწავლის მოდელები წარმოებაში. ამით, გუნდებს შეუძლიათ გამოიყენონ უახლესი კვლევისა და ინჟინერიის საუკეთესო პრაქტიკა კოდის ერთი ხაზით, შეამცირონ დრო ბაზარზე თვეების განმავლობაში რამდენიმე კვირამდე და უზრუნველყონ წარმატება წარმოებაში.

თავდაპირველად 6 კაციანი გუნდით დაიწყეთ და ახლა დიდ საწარმოებს ემსახურებით. შეგიძლიათ განიხილოთ კომპანიის ზრდა და ზოგიერთი გამოწვევა, რომელიც თქვენ წააწყდით?

ჩვენ აღფრთოვანებულები ვართ იმ ზრდით, რომელსაც მივაღწიეთ 2019 წლიდან. ახლა, 50-ზე მეტი თანამშრომელი და 55 მილიონ დოლარზე მეტი დაფინანსება დღემდე, ჩვენ დარწმუნებულები ვართ, რომ შეგვიძლია გავაგრძელოთ დეველოპერების დახმარება, გააცნობიერონ და იმოქმედონ ხელოვნური ინტელექტის ნამდვილი პოტენციალის შესაბამისად. გაშვების დღიდან ჩვენ ჩართული ვართ CB Insights-ის AI 100, მიაღწია ინოვაციურ მიღწევებს, როგორიცაა მოდელების ჩვენი ოჯახი, რომლებიც გარღვევას ახდენენ ღრმა სწავლის შესრულება პროცესორებზედა გააძლიერა მნიშვნელოვანი თანამშრომლობა, მათ შორის დიდ სახელებთან, როგორიცაა Intel.

არის კიდევ რამე, რისი გაზიარებაც გსურთ Deci AI-ის შესახებ?

როგორც უკვე აღვნიშნე, ხელოვნური ინტელექტის ეფექტურობის უფსკრული კვლავ იწვევს AI პროდუქტიულობის დიდ დაბრკოლებებს. „მარცხნივ გადასვლა“ – წარმოების შეზღუდვების აღრიცხვა განვითარების სასიცოცხლო ციკლის დასაწყისში, ამცირებს პოტენციური დაბრკოლებების გამოსწორების დროს დახარჯულ დროსა და ხარჯებს წარმოებაში ღრმა სწავლის მოდელების გამოყენებისას. ჩვენმა პლატფორმამ დაამტკიცა, რომ შეუძლია ამის გაკეთება კომპანიებს ინსტრუმენტების მიწოდებით, რომლებიც საჭიროა მსოფლიოს ცვალებადი AI გადაწყვეტილებების წარმატებით განვითარებისა და განსათავსებლად.

ჩვენი მიზანი მარტივია - გავხადოთ ხელოვნური ინტელექტი ფართოდ ხელმისაწვდომი, ხელმისაწვდომი და მასშტაბური.

გმადლობთ შესანიშნავი ინტერვიუსთვის, მკითხველს, ვისაც სურს მეტი გაიგოს, უნდა ეწვიოს დეცი.