Yonatan Geifman, Deci의 CEO 겸 공동 창립자 - 인터뷰 시리즈

요나탄 게이프만 의 CEO이자 공동 창립자입니다. 데시 모든 하드웨어에서 AI 모델을 프로덕션 등급 솔루션으로 변환합니다. Deci는 Gartner에서 Edge AI의 기술 혁신자로 인정받았으며 CB Insights의 AI 100 목록에 포함되었습니다. 독점 기술의 성능은 인텔과 함께 MLPerf에서 새로운 기록을 세웠습니다.

처음에 기계 학습에 끌린 이유는 무엇입니까?

어릴 때부터 저는 항상 최첨단 기술에 매료되었습니다. 단순히 사용하는 것이 아니라 작동 방식을 진정으로 이해하는 것입니다.

이 평생의 매력은 DNN(심층 신경망)에 초점을 맞춘 컴퓨터 과학 박사 과정을 향한 길을 열었습니다. 학문적 환경에서 이 중요한 기술을 이해하게 되면서 AI가 우리 주변 세계에 긍정적인 영향을 미칠 수 있는 방법을 진정으로 이해하기 시작했습니다. 교통량을 더 잘 모니터링하고 사고를 줄일 수 있는 스마트 시티부터 사람의 개입이 거의 또는 전혀 필요하지 않은 자율 주행 차량, 생명을 구하는 의료 기기에 이르기까지 AI가 사회를 개선할 수 있는 응용 분야는 무궁무진합니다. 나는 항상 그 혁명에 참여하고 싶다는 것을 알고 있었습니다.

Deci AI의 기원 이야기를 들려주실 수 있나요?

학교에서 박사 학위를 받을 때 그랬던 것처럼 AI가 전반적으로 사용 사례에서 얼마나 유익한지 인식하는 것은 어렵지 않습니다. 그러나 많은 기업은 개발자가 배포를 위해 생산 준비가 된 딥 러닝 모델을 개발하기 위한 어려운 전투에 지속적으로 직면함에 따라 AI의 잠재력을 최대한 활용하는 데 어려움을 겪고 있습니다. 즉, AI를 제품화하는 것은 여전히 ​​매우 어렵습니다.

이러한 문제는 주로 업계가 직면한 AI 효율성 격차에 기인할 수 있습니다. 알고리즘은 기하급수적으로 더 강력해지고 더 많은 컴퓨팅 성능이 필요하지만 동시에 리소스가 제한된 에지 장치에 비용 효율적인 방식으로 배포해야 합니다.

저의 공동 창립자인 Ran El-Yaniv 교수, Jonathan Elial, 그리고 저는 그 문제를 해결하기 위해 Deci를 공동 창립했습니다. 그리고 우리는 AI 자체를 사용하여 차세대 딥 러닝을 만드는 것이 가능하다고 생각한 유일한 방법으로 이를 수행했습니다. 우리는 초기 단계에서 AI 알고리즘의 효능을 개선하기 위해 노력하는 알고리즘 우선 접근 방식을 채택했으며, 이를 통해 개발자는 주어진 모든 추론 하드웨어에 대해 최고 수준의 정확도와 효율성을 제공하는 모델을 구축하고 작업할 수 있습니다.

딥 러닝은 Deci AI의 핵심입니다. 정의해 주시겠습니까?

머신 러닝과 같은 딥 러닝은 AI의 하위 분야로, 새로운 애플리케이션 시대를 지원하도록 설정되었습니다. 딥 러닝은 인간의 두뇌가 어떻게 구성되어 있는지에 크게 영감을 받았기 때문에 딥 러닝을 논의할 때 "신경망"을 논의합니다. 이는 현장 딥 러닝 모델이 실시간으로 통찰력을 생성하는 데 중요한 에지 애플리케이션(스마트 시티의 카메라, 자율 차량의 센서, 의료 분야의 분석 솔루션)과 매우 관련이 있습니다.

신경망 아키텍처 검색이란 무엇입니까?

NAS(Neural Architecture Search)는 더 나은 딥 러닝 모델을 얻기 위한 기술 분야입니다.

2017년 NAS에 대한 Google의 선구적인 작업은 적어도 연구 및 학계 내에서 이 주제를 주류로 가져오는 데 도움이 되었습니다.

NAS의 목표는 주어진 문제에 대한 최상의 신경망 아키텍처를 찾는 것입니다. DNN 설계를 자동화하여 수동으로 설계된 아키텍처보다 더 높은 성능과 더 낮은 손실을 보장합니다. 여기에는 특정 문제를 해결하는 데 고유하게 적합한 아키텍처를 생성하기 위해 알고리즘이 사용 가능한 수백만 개의 모델 아키텍처의 집계 공간 중에서 검색하는 프로세스가 포함됩니다. 간단히 말해서 AI를 활용하여 주어진 프로젝트의 특정 요구 사항을 기반으로 새로운 AI를 설계합니다.

팀에서 개발 프로세스를 단순화하고 시행착오 반복을 줄이며 애플리케이션의 정확도 및 성능 목표를 가장 잘 충족할 수 있는 궁극적인 모델을 만들기 위해 사용합니다.

Neural Architecture Search의 제한 사항은 무엇입니까?

기존 NAS의 주요 제한 사항은 접근성과 확장성입니다. 오늘날 NAS는 주로 연구 환경에서 사용되며 일반적으로 Google 및 Facebook과 같은 거대 기술 기업이나 Stanford와 같은 교육 기관에서만 수행됩니다. 전통적인 NAS 기술은 수행하기 복잡하고 많은 계산 리소스가 필요하기 때문입니다.

그렇기 때문에 NAS를 대중화하고 모든 규모의 회사가 최첨단 정확도보다 더 나은 맞춤형 모델 아키텍처를 쉽게 구축할 수 있게 해주는 Deci의 획기적인 AutoNAC(Automated Neural Architecture Construction) 기술을 개발한 우리의 성과가 자랑스럽습니다. 그들의 응용 프로그램에 대한 속도.

이미지 유형에 따라 학습 이의 제기 감지는 어떻게 다릅니까?

놀랍게도 이미지 영역은 객체 감지 모델의 학습 프로세스에 큰 영향을 미치지 않습니다. 거리에서 보행자를 찾든, 의료 스캔에서 종양을 찾든, 공항 보안에서 촬영한 X-레이 이미지에서 숨겨진 무기를 찾든 프로세스는 거의 동일합니다. 모델을 교육하는 데 사용하는 데이터는 당면한 작업을 대표해야 하며 모델 크기와 구조는 이미지에 있는 개체의 크기, 모양 및 복잡성의 영향을 받을 수 있습니다.

Deci AI는 딥 러닝을 위한 엔드 투 엔드 플랫폼을 어떻게 제공합니까?

Deci의 플랫폼은 개발자가 정확하고 빠른 딥 러닝 모델을 구축, 교육 및 프로덕션에 배포할 수 있도록 지원합니다. 그렇게 함으로써 팀은 한 줄의 코드로 최첨단 연구 및 엔지니어링 모범 사례를 활용하고 시장 출시 시간을 몇 달에서 몇 주까지 단축하고 생산 성공을 보장할 수 있습니다.

처음에는 6명으로 구성된 팀으로 시작했으며 지금은 대기업에 서비스를 제공하고 있습니다. 회사의 성장과 직면한 몇 가지 문제에 대해 이야기해 주시겠습니까?

우리는 2019년부터 우리가 이룩한 성장에 감격하고 있습니다. 이제 50명 이상의 직원과 현재까지 55만 달러 이상의 자금 지원을 통해 우리는 개발자가 AI의 진정한 잠재력을 깨닫고 행동하도록 계속 도울 수 있다고 확신합니다. 출시 이후 우리는 CB Insights의 AI 100, 혁신을 제공하는 모델 제품군과 같은 획기적인 성과를 거두었습니다. CPU에서의 딥 러닝 성능, 와 같은 큰 이름을 포함하여 의미 있는 협력을 공고히 했습니다. 인텔.

Deci AI에 대해 공유하고 싶은 다른 사항이 있습니까?

앞서 언급했듯이 AI 효율성 격차는 계속해서 AI 제품화에 큰 걸림돌이 되고 있습니다. "왼쪽으로 이동" – 개발 수명 주기 초기에 생산 제한 사항을 고려하여 생산 라인에서 딥 러닝 모델을 배포할 때 잠재적인 장애물을 수정하는 데 소요되는 시간과 비용을 줄입니다. 우리 플랫폼은 세계를 변화시키는 AI 솔루션을 성공적으로 개발하고 배포하는 데 필요한 도구를 회사에 제공함으로써 이를 수행할 수 있음을 입증했습니다.

우리의 목표는 간단합니다. AI를 광범위하게 액세스 가능하고 저렴하며 확장 가능하게 만드는 것입니다.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 데시.