ການສໍາພາດ
Nick Romano, ຜູ້ຮ່ວມກໍ່ຕັ້ງ & CEO ຂອງ Deeplite – ຊຸດສໍາພາດ
Nick Romano ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງ & CEO ຂອງ Deeplite ການແກ້ໄຂການເພີ່ມປະສິດທິພາບ AI-Driven ເພື່ອເຮັດໃຫ້ເຄືອຂ່າຍ Neural ເລິກໄວ, ຂະຫນາດນ້ອຍກວ່າແລະປະຫຍັດພະລັງງານຈາກຄອມພິວເຕີ້ຟັງໄປຫາຂອບ.
Nick ເປັນຜູ້ປະກອບການທີ່ສືບທອດ ແລະເປັນ CEO ທີ່ປະສົບຜົນສຳເລັດທີ່ໃຫ້ຜົນໄດ້ຮັບທີ່ປະສົບຜົນສໍາເລັດຫຼາຍກວ່າ 20 ປີ. ບໍ່ດົນມານີ້, ລາວໄດ້ສ້າງຕັ້ງແລະຂະຫຍາຍແພລະຕະຟອມ SaaS ວິສາຫະກິດທີ່ມີລາຍຮັບທີ່ເກີດຂຶ້ນເລື້ອຍໆຫຼາຍລ້ານໂດລາແລະພະນັກງານຫຼາຍກວ່າ 100 ຄົນ. ລາວໄດ້ຮັບການຍົກຍ້ອງຈາກວິສະວະກໍາມະຫາວິທະຍາໄລ McMaster ວ່າເປັນນັກຮຽນເກົ່າສູງສຸດ 150 ຄົນ.
ໃນເບື້ອງຕົ້ນແມ່ນຫຍັງທີ່ດຶງດູດເຈົ້າໃຫ້ AI?
ຂ້າພະເຈົ້າໄດ້ຢູ່ໃນພື້ນທີ່ເຕັກໂນໂລຢີສໍາລັບຫຼາຍກວ່າ 25 ປີແລະໄດ້ເຫັນຫຼາຍໆຮອບແລະແນວໂນ້ມ, ບາງ hype ແລະບາງທີ່ແທ້ຈິງ. AI ເປັນພາກສະຫນາມທີ່ມີການເຄື່ອນໄຫວແລະການຂະຫຍາຍຕົວ, ແລະສິ່ງທີ່ຂ້ອຍມັກກ່ຽວກັບມັນແມ່ນວິທີການທີ່ເຕັກໂນໂລຢີສາມາດນໍາໃຊ້ໄດ້ຢ່າງແທ້ຈິງໃນຫຼາຍວິທີທີ່ແຕກຕ່າງກັນເພື່ອປັບປຸງວິທີການດໍາລົງຊີວິດແລະການເຮັດວຽກຂອງຄົນ. ຂ້ອຍຢາກເປັນສ່ວນຫນຶ່ງຂອງການເຄື່ອນໄຫວນີ້. ຢ່າງໃດກໍ່ຕາມ, ມີຄວາມທ້າທາຍທີ່ຈະເອົາ AI ໄປສູ່ສະພາບແວດລ້ອມທີ່ແທ້ຈິງ. ມັນຕ້ອງໃຊ້ຄວາມອາດສາມາດ ແລະພະລັງງານຂອງຄອມພິວເຕີຫຼາຍເພື່ອເຮັດໃຫ້ AI ເຮັດວຽກໄດ້ຢ່າງຖືກຕ້ອງ – ມັນມີຄວາມເຂັ້ມຂຸ້ນທາງດ້ານຄອມພິວເຕີ. ນັ້ນດີຢູ່ໃນຫ້ອງທົດລອງ, ແຕ່ຖ້າມັນໃຫຍ່ເກີນໄປ ຫຼືຊ້າເກີນໄປ ຫຼືໃຊ້ພະລັງງານຫຼາຍເກີນໄປ, ມັນຍາກທີ່ຈະນຳ AI ໄປສູ່ສະຖານະການຕົວຈິງ. ນັ້ນຄືພາລະກິດຂອງພວກເຮົາ ແລະເປັນຈຸດດຶງດູດທີ່ແທ້ຈິງສຳລັບຂ້ອຍ – ເປີດໃຊ້ AI ສໍາລັບຊີວິດປະຈໍາວັນ.
ເຈົ້າສາມາດແບ່ງປັນເລື່ອງ genesis ທີ່ຢູ່ເບື້ອງຫຼັງ Deeplite ໄດ້ບໍ?
ແນວຄວາມຄິດສໍາລັບ Deeplite ໄດ້ເລີ່ມຕົ້ນໃນບ່ອນອົບ TandemLaunch ໃນ Montreal. Davis Sawyer, ຜູ້ທີ່ປະຈຸບັນເປັນຫົວຫນ້າຜະລິດຕະພັນຂອງພວກເຮົາແລະເປັນຜູ້ຊ່ຽວຊານດ້ານໂດເມນ AI, ແລະ Ehsan Saboori, ຜູ້ທີ່ປະຈຸບັນເປັນ CTO ຂອງພວກເຮົາແລະເປັນສະຫມອງທີ່ຢູ່ເບື້ອງຫຼັງ IP ຂອງພວກເຮົາ, ໄດ້ເລີ່ມພັດທະນາເຕັກໂນໂລຢີຢູ່ທີ່ນັ້ນ. ຂ້າພະເຈົ້າໄດ້ເຂົ້າຮ່ວມກັບພວກເຂົາໃນປີ 2019, ນໍາເອົາບໍລິສັດທີ່ເປັນຜູ້ນໍາດ້ານເຕັກໂນໂລຢີຫຼາຍປີຂອງຂ້ອຍມາສູ່ຕາຕະລາງ, ແລະພວກເຮົາເປີດຕົວ Deeplite ຢ່າງເປັນທາງການໃນກາງປີ 2019. ໃນປັດຈຸບັນພວກເຮົາມີພະນັກງານຫຼາຍກວ່າ 20 ຄົນທີ່ມີຫ້ອງການຢູ່ Montreal ແລະ Toronto, ແລະພວກເຮົາໄດ້ປະກາດ. 6 ລ້ານໂດລາສະຫະລັດ Seed ໃນເດືອນເມສາ 2021.
ເປັນຫຍັງການຝັງການປະມວນຜົນ AI ໂດຍກົງໃນຮາດແວທຽບກັບຄລາວຈຶ່ງມີຄວາມສຳຄັນຫຼາຍໃນກໍລະນີການນຳໃຊ້ເຊັ່ນ: ພາຫະນະອັດຕະໂນມັດ ແລະ drones?
ມີຫຼາຍເຫດຜົນວ່າເປັນຫຍັງທ່ານຕ້ອງການທີ່ຈະດໍາເນີນການ inference ຂອງທ່ານ, ຂະບວນການຕັດສິນໃຈ AI, ໃນຈຸດຂອງການເກັບຂໍ້ມູນທຽບກັບຟັງໄດ້. ອາດຈະເປັນເຫດຜົນທີ່ໃຫຍ່ທີ່ສຸດໃນຄໍາຮ້ອງສະຫມັກທີ່ສໍາຄັນເຊັ່ນ: ຍານພາຫະນະອັດຕະໂນມັດແມ່ນສິ່ງທີ່ເອີ້ນວ່າ latency, ເຊິ່ງຫມາຍຄວາມວ່າ AI ໃຊ້ເວລາດົນປານໃດໃນການຕັດສິນໃຈ. ຖ້າທ່ານຕ້ອງການເກັບກໍາຂໍ້ມູນ, ສົ່ງມັນໄປທີ່ເມຄເພື່ອສະຫຼຸບ, ຫຼັງຈາກນັ້ນໃຫ້ຜົນໄດ້ຮັບກັບຄືນໄປບ່ອນ, ແນ່ນອນຈະໃຊ້ເວລາດົນກວ່າການເຮັດມັນຢູ່ໃນທ້ອງຖິ່ນໃນເວລາທີ່ແທ້ຈິງ. ໃນການຂັບຂີ່ແບບອັດຕະໂນມັດ, milliseconds ມີຄວາມສໍາຄັນໃນເວລາອັນໃຫຍ່ຫຼວງ.
ເຫດຜົນອື່ນໆລວມທັງຄວາມເປັນສ່ວນຕົວ, ການຮັກສາຂໍ້ມູນທີ່ລະອຽດອ່ອນໃນທ້ອງຖິ່ນທຽບກັບການສົ່ງກັບຄລາວແລະແນ່ນອນ, ການເຊື່ອມຕໍ່ທີ່ຂາດຂອງມັນເຮັດໃຫ້ການ inference cloud. ເຄືອຂ່າຍທີ່ເປັນກາງທີ່ສັບສົນທີ່ຂັບເຄື່ອນ AI ຕ້ອງການພະລັງງານຄອມພິວເຕີ້ຫຼາຍເພື່ອດໍາເນີນການ, ພວກເຂົາໃຊ້ຫນ່ວຍຄວາມຈໍາຫຼາຍ, ແລະພວກເຂົາໃຊ້ພະລັງງານຫຼາຍ, ດັ່ງນັ້ນການແກ້ໄຂ AI ໄດ້ຖືກບັງຄັບໃຫ້ໃຊ້ເມຄ. ດັ່ງນັ້ນ, ເພື່ອອອກຈາກຄລາວແລະເຮັດໃຫ້ AI ແລ່ນຢູ່ໃນທ້ອງຖິ່ນຢູ່ໃນຂອບໃນຍານພາຫະນະຫຼື drone, ຕົວຢ່າງເຊັ່ນ, ທ່ານຈໍາເປັນຕ້ອງຊອກຫາວິທີທີ່ຈະຫຼຸດຜ່ອນຂະຫນາດແລະພະລັງງານໂດຍລວມຂອງຕົວແບບ, ໃຫ້ມັນດໍາເນີນການໂດຍກົງ. ໃນຮາດແວ – ອຸປະກອນ – ທີ່ມີຊັບພະຍາກອນຫນ້ອຍລົງ. ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຂ້າມຜ່ານອຸປະສັກນີ້ເພື່ອ ນຳ ເອົາ AI ໄປສູ່ອຸປະກອນທີ່ໃຫ້ບໍລິການຄົນທຸກໆມື້. ນັ້ນແມ່ນບ່ອນທີ່ Deeplite ເຂົ້າມາ.
ທ່ານສາມາດບອກພວກເຮົາວ່າ Deeplite Neutrino ແມ່ນຫຍັງໂດຍສະເພາະ?
ແພລດຟອມ Neutrino ຂອງພວກເຮົາປ່ຽນ AI, ໂດຍສະເພາະເຄືອຂ່າຍ neural ເລິກຫຼື DNN, ເຂົ້າໄປໃນຮູບແບບໃຫມ່ທີ່ມີຂະຫນາດນ້ອຍກວ່າ, ໄວກວ່າແລະການໃຊ້ພະລັງງານຫນ້ອຍກວ່າຮູບແບບຕົ້ນສະບັບຂອງມັນ. ດ້ວຍ Deeplite Neutrino, ທີມງານ AI ສາມາດສຸມໃສ່ການຝຶກອົບຮົມແບບຈໍາລອງຂອງພວກເຂົາສໍາລັບຄວາມຖືກຕ້ອງ, ການຕັດສິນໃຈທີ່ຖືກຕ້ອງເລື້ອຍໆເທົ່າໃດ, ແລະນໍາໃຊ້ແພລະຕະຟອມຂອງພວກເຮົາເພື່ອເພີ່ມປະສິດທິພາບຕົວແບບ AI ເພື່ອໃຫ້ມັນສາມາດຖືກນໍາໄປໃຊ້ໃນຮາດແວທີ່ມີຂໍ້ຈໍາກັດຢູ່ຂອບ. Deeplite Neutrino ເຮັດສິ່ງນີ້ໂດຍບໍ່ມີການປະນີປະນອມຄວາມຖືກຕ້ອງຕົ້ນສະບັບຂອງ AI. ໂດຍເນື້ອແທ້ແລ້ວ, ພວກເຮົາເອົາຕົວແບບ AI ໃຫຍ່ແລະເຮັດໃຫ້ພວກມັນນ້ອຍລົງ, ໄວຂຶ້ນ ແລະມີປະສິດທິພາບພະລັງງານຫຼາຍຂຶ້ນ. ເປົ້າຫມາຍສຸດທ້າຍແມ່ນເພື່ອເອົາ AI ອອກຈາກຫ້ອງທົດລອງແລະເຂົ້າໄປໃນໂລກທີ່ແທ້ຈິງໃນສິ່ງທີ່ພວກເຮົາໃຊ້ທຸກໆມື້.
Deeplite Neutrino ສາມາດເຮັດໃຫ້ AI ທີ່ມີປະສິດທິພາບຫຼາຍ, ໄວກວ່າ, ນ້ອຍກວ່າ, ແລະມີອໍານາດຫຼາຍໂດຍບໍ່ມີການປະນີປະນອມຄວາມຖືກຕ້ອງຂອງຮູບແບບຕົ້ນສະບັບແນວໃດ?
ພວກເຮົາໃຊ້ວິທີການສຳຫຼວດອະວະກາດແບບຫຼາຍຈຸດປະສົງແບບໃໝ່. ພວກເຮົາໃຊ້ຕົວແບບຕົ້ນສະບັບເປັນຕົວແບບ "ຄູ" ແລະຫຼັງຈາກນັ້ນຄົ້ນຫາສະຖາປັດຕະຍະກໍາຂອງຕົວແບບທີ່ຊອກຫາຕົວແບບ "ນັກຮຽນ" ທີ່ດີທີ່ສຸດທີ່ຕອບສະຫນອງຂໍ້ຈໍາກັດການອອກແບບທີ່ລະບຸໄວ້ໂດຍຜູ້ໃຊ້ Deeplite ເພື່ອເພີ່ມປະສິດທິພາບແບບຈໍາລອງ DNN ໂດຍອັດຕະໂນມັດແລະເຮັດໃຫ້ພວກມັນໄວຂຶ້ນຢ່າງຫຼວງຫຼາຍ, ຂະຫນາດນ້ອຍກວ່າແລະປະສິດທິພາບພະລັງງານຫຼາຍໂດຍບໍ່ມີການເສຍສະລະປະສິດທິພາບ.
ກໍລະນີທີ່ໃຊ້ອັນໃດອັນໃດອັນໜຶ່ງສຳລັບການນຳໃຊ້ AI ປະເພດນີ້?
ໃນຂະນະທີ່ພວກເຮົາບໍ່ຈໍາກັດພຽງແຕ່ນີ້, ປະຈຸບັນຂອງພວກເຮົາສຸມໃສ່ການວິໄສທັດຄອມພິວເຕີແລະ AI ອີງໃສ່ການຮັບຮູ້. ເທັກໂນໂລຍີ AI ຂອງພວກເຮົາກຳລັງຖືກນຳໃຊ້ຢູ່ໃນພາຫະນະທີ່ປົກຄອງຕົນເອງ, ຍົນໂດຣນ, ກ້ອງຖ່າຍຮູບ, ໂທລະສັບມືຖື, ເຊັນເຊີ ແລະອຸປະກອນ IoT ອື່ນໆ. ພວກເຮົາຍັງເຫັນແອັບພລິເຄຊັ່ນໃໝ່ໆສຳລັບມັນເມື່ອບໍ່ດົນມານີ້, ລວມທັງແປງຖູແຂ້ວອັດສະລິຍະ ແລະເຄື່ອງເຮັດກາເຟອັດສະລິຍະ. ພວກເຮົາກໍາລັງເຮັດວຽກກັບບໍລິສັດເຄື່ອງຫຼິ້ນລະດັບສາກົນຊັ້ນນໍາທີ່ກໍາລັງໃຊ້ມັນສໍາລັບການພັດທະນາເກມ. ສິ່ງທີ່ຫນ້າຕື່ນເຕັ້ນຢ່າງບໍ່ຫນ້າເຊື່ອ, ແລະລາງວັນສໍາລັບສິ່ງທີ່ພວກເຮົາເຮັດແມ່ນຄວາມຫຼາກຫຼາຍຂອງຄໍາຮ້ອງສະຫມັກທີ່ພວກເຮົາເຫັນມາສູ່ຕະຫຼາດທີ່ພວກເຮົາສາມາດຊ່ວຍໃຫ້ມີຊີວິດຊີວາໄດ້.
ມີທັດສະນະແນວໃດຕໍ່ກັບການຮຽນຮູ້ແບບສະຫະພັນ ແລະມັນຈະສົ່ງຜົນກະທົບຕໍ່ອະນາຄົດຂອງການຮຽນຮູ້ເຄື່ອງຈັກແນວໃດ?
ຮູບແບບການຝຶກອົບຮົມຮຽກຮ້ອງໃຫ້ມີຂໍ້ມູນຫຼາຍແລະພະລັງງານຄອມພິວເຕີ້ຫຼາຍ. ຄວາມຫຼາກຫຼາຍຂອງກໍລະນີການນໍາໃຊ້ທີ່ໃຫຍ່ກວ່າ, ຂໍ້ມູນທີ່ຕ້ອງການຫຼາຍ, ແລະເວລາຄອມພິວເຕີ້ຫຼາຍທີ່ຕ້ອງການເພື່ອຝຶກອົບຮົມຕົວແບບໄປສູ່ລະດັບຄວາມຖືກຕ້ອງທີ່ຫນ້າພໍໃຈ. ດ້ວຍການຮຽນຮູ້ແບບສະຫະພັນ, ການຝຶກອົບຮົມໄດ້ຖືກຈັດວາງຢູ່ໃນຂອບໃນແຕ່ລະອຸປະກອນໂດຍອີງໃສ່ເງື່ອນໄຂຂໍ້ມູນທ້ອງຖິ່ນ. ນີ້ສາມາດເຮັດໃຫ້ການຝຶກອົບຮົມມີປະສິດທິພາບຫຼາຍຂຶ້ນ (ເປັນຫຍັງການຝຶກອົບຮົມສໍາລັບ kangaroo ຂ້າມຖະຫນົນໃນ Alaska) ແລະຍັງເປັນໄຊຊະນະອັນໃຫຍ່ຫຼວງສໍາລັບຄວາມເປັນສ່ວນຕົວຍ້ອນວ່າຂໍ້ມູນການຝຶກອົບຮົມ - ຕົວຢ່າງ, ໃບຫນ້າຂອງໃຜຜູ້ຫນຶ່ງ - ບໍ່ໄດ້ຖືກສົ່ງໄປຫາເຄື່ອງແມ່ຂ່າຍກາງ.
ເນື່ອງຈາກຂະບວນການເພີ່ມປະສິດທິພາບຂອງພວກເຮົາກ່ຽວຂ້ອງກັບສິ່ງທີ່ພວກເຮົາເອີ້ນວ່າ "ການຝຶກອົບຮົມ" ເພື່ອຮັກສາຄວາມຖືກຕ້ອງຂອງຮູບແບບການເພີ່ມປະສິດທິພາບ, ເປົ້າຫມາຍສຸດທ້າຍຂອງພວກເຮົາແມ່ນເພື່ອໃຫ້ສິ່ງທີ່ພວກເຮົາກໍາລັງເຮັດເປັນສ່ວນຫນຶ່ງຂອງຂະບວນການຝຶກອົບຮົມເບື້ອງຕົ້ນແທນທີ່ຈະເປັນການຜ່ານຄັ້ງທີສອງ. ໃນປັດຈຸບັນ, ນີ້ແມ່ນຄວາມປາຖະຫນາ, ແຕ່ນັ້ນແມ່ນສ່ວນຫນຶ່ງຂອງເປົ້າຫມາຍໄລຍະຍາວຂອງພວກເຮົາ.
ໃນຖານະເປັນຜູ້ເລີ່ມຕົ້ນ, ທ່ານຈະດຶງດູດພອນສະຫວັນແລະພະລັງງານສະຫມອງທີ່ຈໍາເປັນແນວໃດ?
ມັນເປັນສິ່ງທ້າທາຍອັນໃຫຍ່ຫຼວງທີ່ຈະດຶງດູດເອົາພອນສະຫວັນ AI ທີ່ຖືກຕ້ອງໃນມື້ນີ້ - ມີຄົນຈໍານວນຫນ້ອຍເກີນໄປຢູ່ທີ່ນັ້ນແລະການແຂ່ງຂັນເພື່ອຮັບສະຫມັກແມ່ນສູງ. ທີມງານຂອງພວກເຮົາແມ່ນຫນ້າຫວາດສຽວ. ພວກເຂົາເປັນແມ່ເຫຼັກຕົນເອງສໍາລັບພອນສະຫວັນ. ພວກເຮົາມີຄວາມຄາດຫວັງວ່າຈ້າງເວົ້າແລະສໍາພາດກັບທີມງານຂອງພວກເຮົາ. ເມື່ອພວກເຂົາເຫັນຄວາມສາມາດຂອງຄົນຢູ່ Deeplite, ພວກເຂົາຕ້ອງການຢູ່ທີ່ນີ້. ໃນຖານະເປັນການເລີ່ມຕົ້ນ, ພວກເຮົາສະເຫນີວັດທະນະທໍາທີ່ຍິ່ງໃຫຍ່ແລະໂອກາດທີ່ຈະເຮັດວຽກກ່ຽວກັບສິ່ງໃຫມ່ແລະທີ່ພົ້ນເດັ່ນຂື້ນທີ່ສາມາດເປັນການປ່ຽນແປງເກມສໍາລັບຫຼາຍອຸດສາຫະກໍາແລະຜະລິດຕະພັນທີ່ແຕກຕ່າງກັນ. ຂ້າພະເຈົ້າຄິດວ່າໂອກາດນັ້ນ, ພ້ອມກັບທີມງານ, ແມ່ນກະແຈເພື່ອໃຫ້ພວກເຮົາດຶງດູດພອນສະຫວັນຊັ້ນນຳ. ພວກເຮົາຍັງຕັ້ງຍຸດທະສາດຢູ່ໃນສອງສູນ AI ຂອງອາເມລິກາເຫນືອທີ່ສໍາຄັນ, Montreal ແລະ Toronto, ເຊິ່ງຊ່ວຍ. ໃນຖານະເປັນບໍລິສັດການາດາ, ພວກເຮົາໃຊ້ໂຄງການ Global Talent Stream ຂອງລັດຖະບານເຊັ່ນກັນ. ພວກເຮົາສາມາດຮັບສະຫມັກທຸກບ່ອນໃນໂລກ, ສະຫນັບສະຫນູນການຈ້າງງານໃຫມ່ແລະຕິດຕາມໄວໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນການາດາ.
ທ່ານມີຄໍາແນະນໍາສໍາລັບຜູ້ປະກອບການອື່ນໆໃນຊ່ອງ AI ບໍ?
ອັນນີ້ໄປເໜືອກວ່າ AI ແຕ່ໃນຖານະທີ່ເປັນຜູ້ປະກອບການຊ້ຳໆ, ຂ້ອຍໄດ້ຮຽນຮູ້ວ່າມັນມີຄວາມສຳຄັນສໍ່າໃດທີ່ຈະຕ້ອງມີການສະໜັບສະໜູນຄອບຄົວ, ເພາະວ່າການຕັດສິນໃຈທີ່ຈະເປັນຜູ້ປະກອບການບໍ່ແມ່ນບຸກຄົນ - ມັນສົ່ງຜົນກະທົບຕໍ່ທຸກຄົນ - ຄູ່ສົມລົດ ແລະລູກ. ທຸກຄົນເປັນສ່ວນຫນຶ່ງຂອງການເດີນທາງກັບທ່ານ, ແລະທຸກຄົນເຮັດໃຫ້ການເສຍສະລະ. ທ່ານຕ້ອງຮັບຮູ້ແລະຮູ້ບຸນຄຸນ, ແລະນັ້ນແມ່ນວິທີທີ່ຄອບຄົວສາມາດຢູ່ຮ່ວມກັນຕະຫຼອດການເດີນທາງ.
ມີຫຍັງອີກແດ່ທີ່ເຈົ້າຢາກແບ່ງປັນກ່ຽວກັບ Deeplite?
ຫນຶ່ງໃນລັກສະນະທີ່ເປັນເອກະລັກຂອງ Deeplite ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງພວກເຮົາ. Davis ຢູ່ໃນອາຍຸ 20 ປີຂອງລາວ, ແລະມີຄວາມສະຫຼາດແລະແຂງແຮງທີ່ສຸດ. ລາວເປັນຜູ້ຊ່ຽວຊານດ້ານໂດເມນຢ່າງແນ່ນອນໃນສິ່ງທີ່ພວກເຮົາເຮັດ. Ehsan ແມ່ນຄົນອົບພະຍົບອີຣ່ານທີ່ມີປະລິນຍາເອກ, ແລະດັ່ງທີ່ໄດ້ກ່າວມາກ່ອນຫນ້ານີ້, ແມ່ນສະຫມອງທີ່ແທ້ຈິງທີ່ຢູ່ເບື້ອງຫຼັງ IP ຂອງພວກເຮົາ. ແລະຂ້ອຍເປັນນັກຮົບເກົ່າ 50+ ປີທີ່ເຄີຍສ້າງບໍລິສັດມາກ່ອນ. ພວກເຮົາສາມຄົນແມ່ນການປະສົມປະສານທີ່ຫນ້າສົນໃຈທີ່ນໍາເອົາຄວາມເຂັ້ມແຂງແລະປະສົບການທີ່ແຕກຕ່າງກັນໄປສູ່ຕາຕະລາງ. ຂ້ອຍຮູ້ສຶກຂອບໃຈຫຼາຍທີ່ຂ້ອຍມີຄູ່ຮ່ວມງານທີ່ດີຫຼາຍ ແລະຖືກອ້ອມຮອບໄປດ້ວຍທີມງານທີ່ດີແບບນີ້.
ຂໍຂອບໃຈສໍາລັບການສໍາພາດທີ່ຍິ່ງໃຫຍ່, ຂ້າພະເຈົ້າຫວັງວ່າຈະປະຕິບັດຕາມຄວາມຄືບຫນ້າຂອງ Deeplite ແລະມັນເປັນບໍລິສັດທີ່ຈະຢູ່ໃນ radar ຂອງຂ້າພະເຈົ້າ. ຜູ້ອ່ານທີ່ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມຄວນໄປຢ້ຽມຢາມ Deeplite.