Yonatan Geifman, CEO & Co-Founder vun Deci - Interview Series

Yonatan Geifman ass de CEO & Co-Founder vun Hei déi AI Modeller a Produktiounsgrad Léisungen op all Hardware transforméiert. Deci gouf als Tech Innovator fir Edge AI vum Gartner unerkannt an an der CB Insights 'AI 100 Lëscht abegraff. Seng proprietär Technologie Leeschtung huet nei Rekorder bei MLPerf mat Intel gesat.

Wat huet Iech ufanks u Maschinnléieren ugezunn?

Vun engem jonken Alter war ech ëmmer faszinéiert vu modernste Technologien - net nëmmen se ze benotzen, awer wierklech ze verstoen wéi se funktionnéieren.

Dës liewenslaang Faszinatioun huet de Wee a Richtung meng eventuell PhD Studien an der Informatik gemaach, wou meng Fuerschung sech op Deep Neural Networks (DNNs) konzentréiert huet. Wéi ech dës kritesch Technologie an engem akademesche Kader verstanen hunn, hunn ech ugefaang wierklech ze begräifen wéi AI d'Welt ronderëm eis positiv beaflosse kann. Vun intelligenten Stied déi de Verkéier besser iwwerwaache kënnen an Accidenter reduzéieren, op autonom Gefierer déi wéineg bis keng mënschlech Interventioun erfuerderen, bis liewensspuerend medizinesch Geräter - et ginn endlos Uwendungen wou AI d'Gesellschaft besser kéint. Ech wousst ëmmer datt ech un där Revolutioun deelhuele wollt.

Kënnt Dir d'Genesisgeschicht hannert Deci AI deelen?

Et ass net schwéier ze erkennen - wéi ech gemaach hunn wéi ech an der Schoul fir meng PhD war - wéi profitabel AI ka sinn a Gebrauchsfäll iwwerall. Awer vill Entreprisen kämpfe fir dat vollt Potenzial vun AI ze kapitaliséieren, well d'Entwéckler kontinuéierlech eng biergof Schluecht stellen fir Produktiounsfäerdeg Deep Learning Modeller fir den Deployment z'entwéckelen. An anere Wierder, et bleift super schwéier AI ze produktéieren.

Dës Erausfuerderunge kënne gréisstendeels un der AI Effizienz Lück zougeschriwwe ginn, déi d'Industrie konfrontéiert ass. Algorithmen wuessen exponentiell méi mächteg a erfuerderen méi Rechenkraaft awer parallel mussen se op eng kosteneffizient Manéier ofgesat ginn, dacks op Ressource-begrenzte Randgeräter.

Meng Matgrënner Prof Ran El-Yaniv, Jonathan Elial, an ech hunn Deci matgegrënnt fir dës Erausfuerderung unzegoen. A mir hunn et op déi eenzeg Manéier gemaach, déi mir méiglech gesinn hunn - andeems mir AI selwer benotzt fir déi nächst Generatioun vun Deep Learning ze kreéieren. Mir hunn eng algorithmesch-éischt Approche ugeholl, fir d'Effizienz vun AI Algorithmen an de fréiere Stadien ze verbesseren, wat d'Entwéckler erméiglechen fir Modeller ze bauen an ze schaffen, déi den héchsten Niveau vu Genauegkeet an Effizienz fir all bestëmmten Inferenz Hardware liwweren.

Deep Learning ass am Kär vun Deci AI, kënnt Dir et fir eis definéieren?

Deep Learning, wéi Maschinnléieren, ass en Ënnerfeld vun AI, agestallt fir eng nei Ära vun Uwendungen z'erméiglechen. Deep Learning ass staark inspiréiert wéi de mënschleche Gehir strukturéiert ass, dofir, wa mir iwwer Deep Learning diskutéieren, diskutéiere mir iwwer "neural Netzwierker". Dëst ass super relevant fir Randapplikatiounen (denkt Kameraen a Smart Stied, Sensoren op autonome Gefierer, analytesch Léisungen an der Gesondheetsariichtung) wou Deep Learning Modeller op der Plaz entscheedend sinn fir esou Abléck an Echtzäit ze generéieren.

Wat ass Neural Architektur Sich?

Neural Architecture Search (NAS) ass eng technologesch Disziplin fir besser Deep Learning Modeller ze kréien.

Dem Google seng Pionéieraarbecht op NAS am Joer 2017 huet gehollef d'Thema an de Mainstream ze bréngen, op d'mannst bannent Fuerschungs- an akademesche Kreesser.

D'Zil vun NAS ass déi bescht neural Netzwierkarchitektur fir e bestëmmte Problem ze fannen. Et automatiséiert den Design vun DNNs, garantéiert méi héich Leeschtung a manner Verloschter wéi manuell entworf Architekturen. Et beinhalt e Prozess, an deem en Algorithmus ënner engem aggregéierte Raum vu Millioune verfügbare Modellarcuitecure sicht, fir eng Architektur z'erreechen déi eenzegaarteg passt fir dee bestëmmte Problem ze léisen. Fir et einfach ze soen, et benotzt AI fir nei AI ze designen, baséiert op de spezifesche Bedierfnesser vun all bestëmmte Projet.

Et gëtt vun Teams benotzt fir den Entwécklungsprozess ze vereinfachen, Test- a Feeler-Iteratiounen ze reduzéieren an ze garantéieren datt se mam ultimative Modell ophalen, deen am Beschten d'Genauegkeet an d'Leeschtungsziler vun den Uwendungen dénge kann.

Wat sinn e puer vun de Aschränkungen vun der Neural Architektur Sich?

Traditionell NAS Haaptbeschränkungen sinn Accessibilitéit a Skalierbarkeet. NAS haut gëtt meeschtens a Fuerschungsastellungen benotzt an typesch nëmme vun Tech Risen wéi Google a Facebook duerchgefouert, oder bei akademeschen Instituter wéi Stanford well traditionell NAS Technike komplizéiert sinn auszeféieren a vill computational Ressourcen erfuerderen.

Duerfir sinn ech sou houfreg op eis Leeschtungen an der Entwécklung vun der Deci's banebrytende AutoNAC (Automated Neural Architecture Construction) Technologie, déi NAS demokratiséiert an et erméiglecht Firmen vun alle Gréissten einfach personaliséiert Modellarchitekturen ze bauen mat besserer wéi modernsten Genauegkeet an Geschwindegkeet fir hir Uwendungen.

Wéi ënnerscheet sech d'Erkennung vun der Léierobjet op Basis vum Bildtyp?

Iwwerraschend beaflosst d'Domain vun de Biller net dramatesch den Trainingsprozess vun Objekterkennungsmodeller. Egal ob Dir no engem Foussgänger op der Strooss sicht, en Tumor an engem medizinesche Scan oder eng verstoppte Waff an engem Röntgenbild vun der Fluchhafensécherheet, de Prozess ass zimlech d'selwecht. D'Donnéeën, déi Dir benotzt fir Äre Modell ze trainéieren, musse representativ sinn fir d'Aufgab op der Hand, an d'Modellgréisst an d'Struktur kënne vun der Gréisst, der Form an der Komplexitéit vun den Objeten an Ärem Bild beaflosst ginn.

Wéi bitt Deci AI eng end-to-end Plattform fir déif Léieren?

Dem Deci seng Plattform erméiglecht d'Entwéckler fir präzis a séier Deep Learning Modeller op d'Produktioun ze bauen, ze trainéieren an z'installéieren. Dobäi kënnen d'Teams déi modernste Fuerschungs- an Ingenieursberodung mat enger Zeil Code notzen, d'Zäit fir Méint op e puer Wochen op de Maart ze verkierzen an Erfolleg an der Produktioun garantéieren.

Dir hutt am Ufank mat engem Team vu 6 Leit ugefaang, an Dir servéiert elo grouss Entreprisen. Kënnt Dir de Wuesstum vun der Firma diskutéieren, an e puer vun den Erausfuerderungen, déi Dir konfrontéiert hutt?

Mir si begeeschtert mam Wuesstum dee mir erreecht hunn zënter Ufank 2019. Elo, iwwer 50 Mataarbechter, an iwwer $ 55 Milliounen u Finanzéierung bis haut, si mir zouversiichtlech datt mir weider kënne hëllefen Entwéckler ze realiséieren an op dat richtegt Potenzial vun AI ze handelen. Zënter dem Start si mir op abegraff CB Insights AI 100, huet banebrytende Leeschtungen gemaach, wéi eis Famill vu Modeller déi den Duerchbroch liwweren déif Léieren Leeschtung op CPUs, a verstäerkt sënnvoll Zesummenaarbecht, och mat groussen Nimm wéi Intel.

Gëtt et nach eppes wat Dir gär iwwer Deci AI deele wëllt?

Wéi ech virdru gesot hunn, féiert den AI Effizienz Spalt weider grouss Hindernisser fir AI Produktiséierung. "Shifting left" - Rechnung fir d'Produktiounsbeschränkungen fréi am Entwécklungsliewenszyklus, reduzéiert d'Zäit an d'Käschte fir potenziell Hindernisser ze fixéieren wann Dir déif Léiermodeller an der Produktioun an der Linn ofsetzt. Eis Plattform huet bewisen fäeg just dat ze maachen andeems d'Firmen d'Tools ubidden déi néideg sinn fir weltwäit verännerend AI Léisungen z'entwéckelen an z'installéieren.

Eist Zil ass einfach - AI wäit zougänglech, bezuelbar a skalierbar maachen.

Merci fir dee super Interview, Lieser déi méi gewuer ginn solle besichen Hei.