Yonatan Geifman, Deci의 CEO & 공동 창립자 – 인터뷰 시리즈

Yonatan Geifman은 Deci의 CEO 및 공동 창립자입니다. Deci는 AI 모델을 任意의 하드웨어에서 생산급 솔루션으로 변환하는 회사로, Gartner에 의해 Edge AI 분야의 기술 혁신기업으로 인정되었으며, CB Insights의 AI 100 목록에 포함되었습니다. 또한 Deci의 독점 기술은 Intel과 함께 MLPerf에서 새로운 기록을 세웠습니다.

머신 러닝에 처음 관심을 가지게 된 계기는 무엇인가요?

저는 젊은 시절부터 최신 기술에 대해 관심이 많았습니다. 단순히 사용하는 것뿐만 아니라, 어떻게 작동하는지真正로 이해하고 싶었습니다.

이 관심은 저를 컴퓨터 과학 박사 과정으로 이끌었고, 저의 연구는 Deep Neural Networks (DNNs)에 집중되었습니다. 학술 환경에서 이 중요한 기술을 이해함으로써, AI가 우리 주변의 세계를 긍정적으로影响할 수 있는 방법들을真正로 이해하기 시작했습니다. 스마트 시티에서 교통을 모니터링하고 사고를 줄이는 것, 자율 주행 자동차에서 거의 또는 전혀 인간의 개입이 필요하지 않는 것, 생명 유지 의료 기기로부터 – AI가 사회를 개선할 수 있는 응용 프로그램은 끝없이 있습니다. 저는 항상 그 혁명에 참여하고 싶었습니다.

Deci AI의 기원 이야기를 공유해 주시겠습니까?

AI가 다양한 사용 사례에서 유익할 수 있다는 것을 인식하는 것은 쉽습니다. 그러나 많은 기업들은 개발자들이 생산 준비가 된 深層 학습 모델을 개발하는 데 어려움을 겪고 있습니다. 즉, AI를 제품화하는 것이 매우 어렵습니다.

이러한 도전은 주로 AI 효율성 갭에 기인합니다. 알고리즘은指数적으로 더 강력해지고 있으며 더 많은 컴퓨팅 파워가 필요하지만, 동시에 비용 효율적으로 배포되어야 하며, 종종 자원 제한된 에지 디바이스에서 배포되어야 합니다.

저의 공동 창립자 Prof. Ran El-Yaniv, Jonathan Elial, 그리고 저는 이러한 도전을 해결하기 위해 Deci를 공동 창립했습니다. 우리는 가능한 唯一한 방법으로 AI 자체를 사용하여 다음 세대의 深層 학습을 개발했습니다. 우리는 알고리즘 우선 접근 방식을 채택하여 초기 단계에서 深層 학습 알고리즘의 효율성을 개선했습니다. 이는 개발자가 任意의 추론 하드웨어에 대해最高의 정확도와 효율성을 제공하는 모델을 구축하고 작업할 수 있도록 해줍니다.

Deci AI의 핵심은 深層 학습입니다. 深層 학습을 정의해 주시겠습니까?

深層 학습, 즉 머신 러닝은 새로운 응용 프로그램의 시대를 가능하게 하는 AI의 하위 분야입니다. 深層 학습은 인간의 뇌 구조에서 영감을 얻었습니다. 즉, 深層 학습을 논의할 때, 우리는 “신경 네트워크”를 논의합니다. 이는 스마트 시티의 카메라, 자율 주행 자동차의 센서, 헬스케어의 분석 솔루션과 같은 에지 응용 프로그램에서 실시간으로 그러한 통찰력을 생성하는 데 중요합니다.

신경 아키텍처 검색(Neural Architecture Search, NAS)은 무엇인가요?

신경 아키텍처 검색(NAS)은 주어진 문제에 대해 더好的 深層 학습 모델을 얻는 것을 목표로 하는 기술 분야입니다.

구글의 2017년 NAS에 대한 개척적인 연구는 이 주제를 연구 및 학술 환경에서 메인스트림으로 만들었습니다.

NAS의 목표는 주어진 문제에 대한 최고의 신경 네트워크 아키텍처를 찾는 것입니다. 이는 DNN을 자동으로 설계하여 수동으로 설계된 아키텍처보다 더 높은 성능과 더 낮은 손실을 보장합니다. 이는 알고리즘이 수백만 개의 모델 아키텍처 중에서 검색하여 특정 문제를 해결하기 위해 고유하게 설계된 아키텍처를 생성하는 프로세스를 포함합니다. 간단히 말해, 이는 특정 프로젝트의 특정 요구 사항에 따라 새로운 AI를 설계하기 위해 AI를 사용합니다.

NAS는 개발 프로세스를 단순화하고, 시도와 오류의 반복을 줄이고, 애플리케이션의 정확도와 성능 목표를满足할 수 있는 최상의 모델을 얻을 수 있도록 팀을 지원하는 데 사용됩니다.

신경 아키텍처 검색(NAS)의 한계는 무엇인가요?

전통적인 NAS의 주요 한계는 접근성과 확장성입니다. NAS는 현재 주로 연구 환경에서 사용되며, 일반적으로 구글이나 페이스북과 같은 기술 거대 기업 또는 스탠퍼드와 같은 학술 기관에서만 수행됩니다. 전통적인 NAS 기술은 복잡하여 수행하기 어렵고, 많은 컴퓨팅 자원을 필요로 합니다.

그것이 제가 Deci의 혁신적인 AutoNAC (Automated Neural Architecture Construction) 기술을 개발한 것을 자랑스럽게 생각하는 이유입니다. 이는 NAS를 민주화하여 모든 규모의 회사들이 쉽게 애플리케이션에 대한보다 상태-of-the-아트 정확도와 속도와 함께 사용자 지정 모델 아키텍처를 구축할 수 있도록 합니다.

이미지 유형에 따라 객체 감지 학습이 어떻게 다른가요?

놀랍게도, 이미지의 도메인은 객체 감지 모델의 훈련 프로세스에 큰 영향을 미치지 않습니다. 보행자, 의료 이미지의 종양, 또는 공항 보안의 엑스레이 이미지에서 감추어진 무기를 검색하는 것과 같은 객체를 검색하는 것에 관계없이, 프로세스는 거의 동일합니다. 모델을 훈련하는 데 사용되는 데이터는 작업을 대표해야 하며, 모델의 크기와 구조는 이미지의 객체의 크기, 모양, 복잡성에 의해 영향을 받을 수 있습니다.

Deci AI는 深層 학습을 위한 종단 간 플랫폼을 어떻게 제공하나요?

Deci의 플랫폼은 개발자가 정확하고 빠른 深層 학습 모델을 구축, 훈련, 배포할 수 있도록 합니다. 이를 통해 팀은 가장 최신의 연구와 엔지니어링 최선의 관행을 1줄의 코드로 활용하여 시장 출시 시간을 몇 개월에서 몇 주로 단축하고, 생산에서 성공을 보장할 수 있습니다.

초기에는 6명의 팀으로 시작하여 현재 대기업을 서비스하고 있습니다. 회사의 성장과 직면한 도전에 대해 이야기해 주시겠습니까?

우리는 2019년에 시작한 이후로 달성한 성장에 대해 매우 기쁩니다. 현재 50명 이상의 직원과 5,500만 달러 이상의 자금을 확보하여, 우리는 개발자가 AI의真正한 잠재력을 실현하고 행동할 수 있도록 계속 도와줄 수 있을 것입니다. 출시 이후, 우리는 CB Insights의 AI 100에 포함되었으며, 획기적인 성과를 달성했으며, Intel과 같은 큰 회사들과의 의미 있는 협력을 강화했습니다.

Deci AI에 대해 더 공유하고 싶은 것이 있나요?

저는 이전에 언급했듯이, AI 효율성 갭은 아직도 AI 제품화에 주요 장애물입니다. “左移” – 개발 라이프사이클의 초기에 생산 제약을 고려하여, 생산에서 배포할 때 발생할 수 있는 잠재적인 장애물을 수정하는 데 소요되는 시간과 비용을 줄입니다.我们的 플랫폼은 회사들에게 세계를改变하는 AI 솔루션을 개발하고 배포하는 데 필요한 도구를 제공함으로써 이를 달성할 수 있습니다.

我们的 목표는 간단합니다 – AI를 널리 접근 가능, 경제적, 확장 가능하게 만드는 것입니다.

멋진 인터뷰에 감사드립니다. 더 많은 정보를 배우고 싶은 독자들은 Deci를 방문해야 합니다.