데시의 Yonatan Geifman, CEO & Co-Founder – 인터뷰 시리즈

Yonatan Geifman은 Deci의 CEO이자 공동 설립자입니다. 데시는 AI 모델을 任意 하드웨어에서 생산급 솔루션으로 변환하는 회사입니다. 데시는 Gartner의 Edge AI 기술 혁신公司으로 인정받았으며, CB Insights의 AI 100 목록에 포함되었습니다. 데시의 독자적인 기술은 MLPerf에서 Intel과 함께 새로운 기록을 세웠습니다.

머신 러닝에 처음 관심을 갖게 된 것은 무엇입니까?

저는 어렸을 때부터 최신 기술에 관심이 많았습니다. 그 기술을 사용하는 것뿐만 아니라, 어떻게 작동하는지真正로 이해하고 싶었습니다.

이 관심은 저를 컴퓨터 과학 박사 과정으로 이끌었습니다. 저의 연구는 Deep Neural Networks (DNNs)에 중점을 두었습니다. 학术 환경에서 이 중요한 기술을 이해함으로써, 저는 AI가 世界를 긍정적으로 변화시키는 방법을真正로 이해하게 되었습니다. 스마트 시티에서 교통을 모니터링하고 사고를 줄이는 것, 자율 주행 자동차, 생명 유지 의료 기기 등 – AI를 적용할 수 있는 분야는 무궁무진합니다. 저는 항상 그 혁명에 참여하고 싶었습니다.

Deci AI의 기원 이야기를 공유해 주시겠습니까?

AI가 다양한 사용 사례에서 유용할 수 있다는 것을 인식하는 것은 어렵지 않습니다. 그러나 많은 기업은 AI의 전체 잠재력을 실현하는 데 어려움을 겪고 있습니다. 개발자들은 생산 준비가 된 深度 학습 모델을 개발하고 배포하는 데 어려움을 겪고 있습니다. 즉, AI를 제품화하는 것이 매우 어렵습니다.

이러한 도전은 주로 AI 효율성 격차에 기인합니다. 알고리즘은指数적으로 더 강력해지고 있으며 더 많은 컴퓨팅 파워가 필요하지만,同時에 비용 효율적으로 배포되어야 합니다. 종종 자원 제약이 있는 에지 디바이스에서 배포되어야 합니다.

저의 공동 설립자들인 Prof. Ran El-Yaniv, Jonathan Elial, 그리고 저는 이 도전을 해결하기 위해 Deci를 설립했습니다. 우리는 유일하게 가능한 방법으로 이를 해결했습니다. 즉, 다음 세대의 深度 학습을 만들기 위해 AI 자체를 사용했습니다. 우리는 알고리즘 우선 접근 방식을 채택하여, 초기 단계에서 AI 알고리즘의 효율성을 개선했습니다. 이를 통해 개발자가 가장 높은 정확도와 효율성을 제공하는 모델을 구축하고 작업할 수 있습니다.

Deci AI의 핵심은 深度 학습입니다. 深度 학습을 정의해 주시겠습니까?

深度 학습은 AI의 하위 분야입니다. 새로운 응용 프로그램을 가능하게 하는 분야입니다. 深度 학습은 인간 뇌의 구조에서 영감을 받았습니다. 따라서 深度 학습을 논의할 때, 우리는 “신경망”을 논의합니다. 이는 에지 응용 프로그램(예: 스마트 시티의 카메라, 자율 주행 자동차의 센서, 의료 솔루션의 분석 솔루션)에서 실시간으로 이러한 통찰력을 생성하는 데 중요합니다.

신경망 아키텍처 검색(Neural Architecture Search, NAS)은 무엇입니까?

NAS는 더好的 深度 학습 모델을 얻는 기술 분야입니다.

구글의 2017년 NAS 연구는 이 주제를 연구 및 학술圈에서 대중화하는 데 도움이 되었습니다.

NAS의 목표는 주어진 문제에 대한 최상의 신경망 아키텍처를 찾는 것입니다. 이는 DNN을 자동으로 설계하여, 수동으로 설계된 아키텍처보다 더 높은 성능과 더 낮은 손실을 제공합니다. 이는 알고리즘이 모델 아키텍처의 집합 공간에서 검색하여, 특정 문제를 해결하기 위해 고유한 아키텍처를 생성하는 프로세스입니다. 간단히 말해, 이는 특정 프로젝트의 요구 사항에 따라 새로운 AI를 설계하는 데 사용됩니다.

팀은 개발 프로세스를 단순화하고, 시도와 오류의 반복을 줄이고, 궁극적으로 애플리케이션의 정확도와 성능 목표를 충족하는 모델을 얻을 수 있도록 NAS를 사용합니다.

NAS의 한계는 무엇입니까?

전통적인 NAS의 주요 한계는 접근성과 확장성입니다. NAS는 주로 연구 환경에서 사용되며, 일반적으로 구글, 페이스북과 같은 기술 거대 기업이나 스탠퍼드와 같은 학술 기관에서만 사용됩니다. 전통적인 NAS 기술은 수행하기 어렵고, 많은 컴퓨팅 자원이 필요합니다.

저는 데시의 혁신적인 AutoNAC (Automated Neural Architecture Construction) 기술을 개발한 것을 자랑스럽게 생각합니다. 이는 NAS를 민주화하여, 모든 규모의 기업이 쉽게 사용자 지정 모델 아키텍처를 구축할 수 있도록 합니다. 이는 상태 오토 아키텍처보다 더 높은 정확도와 속도를 제공합니다.

이미지 유형에 따라 객체 감지를 학습하는 것이 어떻게 다릅니까?

놀랍게도, 이미지의 도메인은 객체 감지 모델의 훈련 프로세스에 큰 영향을 미치지 않습니다. 사람, 의료 스캔의 종양, 공항 보안 검색의 은닉된 무기 등 다양한 객체를 감지하는 데 사용되든, 프로세스는 거의 동일합니다. 모델을 훈련하는 데 사용되는 데이터는 작업을 대표해야 하며, 모델의 크기와 구조는 이미지의 크기, 모양 및 복잡성에 영향을 받을 수 있습니다.

Deci AI는 深度 학습을 위한 종단간 플랫폼을 제공하는 방법은 무엇입니까?

Deci의 플랫폼은 개발자가 정확하고 빠른 深度 학습 모델을 구축하고 배포할 수 있도록 합니다. 이를 통해 팀은 가장 최신의 연구와 엔지니어링 최선의 관행을 1줄의 코드로 활용할 수 있으며, 시장 출시 시간을 몇 개월에서 몇 주로 단축할 수 있으며, 생산에서 성공을 보장할 수 있습니다.

초기에는 6명의 팀으로 시작하여, 이제는 대규모 기업을 서비스하고 있습니다. 회사의 성장과 도전에 대해 논의해 주시겠습니까?

저희는 2019년부터 성장한 것을 매우 기쁘게 생각합니다. 현재 50명 이상의 직원이 있으며, 지금까지 5,500만 달러의 자금을 확보했습니다. 우리는 개발자가 AI의真正 잠재력을 실현하고 행동할 수 있도록 도와줄 수 있다고 확신합니다. 출시 이후, 우리는 CB Insights의 AI 100 목록에 포함되었으며, 지상적인 성과를 달성했으며, Intel과 같은 주요 기업과 의미 있는 협력을 맺었습니다.

Deci AI에 대해 더 공유하고 싶은 내용이 있습니까?

저는 이전에 언급했듯이, AI 효율성 격차는 AI 제품화에 주요 장애물입니다. “왼쪽으로 이동” – 생산 제약을 개발 라이프 사이클의 초기에 고려하면, 이후 생산에서 深度 학습 모델을 배포할 때 발생할 수 있는 잠재적인 장애물을 해결하는 데 소요되는 시간과 비용을 줄일 수 있습니다. 저희의 플랫폼은 회사들이 세계를改变하는 AI 솔루션을 성공적으로 개발하고 배포할 수 있도록 도와줄 수 있습니다.

저희의 목표는 간단합니다. AI를 널리 접근할 수 있게 하며, 비용 효율적이고 확장 가능하게 만드는 것입니다.

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Deci를 방문하시기 바랍니다.