Yonatan Geifman, „Deci“ interviu serijos generalinis direktorius ir vienas iš įkūrėjų

Yonatan Geifman yra generalinis direktorius ir vienas iš įkūrėjų čia kuri paverčia AI modelius gamybinio lygio sprendimais bet kurioje aparatinėje įrangoje. „Gartner“ Deci pripažino „Edge AI“ technologijų novatoriumi ir įtraukė į „CB Insights“ AI 100 sąrašą. Jo patentuotos technologijos našumas nustatė naujus rekordus MLPerf su Intel.

Kuo jus iš pradžių patraukė mašininis mokymasis?

Nuo pat mažens mane žavėjo pažangiausios technologijos – ne tik jomis naudotis, bet ir tikrai suprasti, kaip jos veikia.

Šis visą gyvenimą trunkantis susižavėjimas atvėrė kelią mano galimoms informatikos doktorantūros studijoms, kur mano tyrimas buvo sutelktas į giluminius neuroninius tinklus (DNN). Kai supratau šią svarbią technologiją akademinėje aplinkoje, pradėjau iš tikrųjų suvokti, kaip AI gali teigiamai paveikti mus supantį pasaulį. Nuo išmaniųjų miestų, kurie gali geriau stebėti eismą ir sumažinti nelaimingų atsitikimų skaičių, iki autonominių transporto priemonių, kurioms nereikia žmogaus įsikišimo arba jo nereikia, iki gyvybę gelbstinčių medicinos prietaisų – yra begalė programų, kuriose dirbtinis intelektas galėtų pagerinti visuomenę. Visada žinojau, kad noriu dalyvauti toje revoliucijoje.

Ar galėtumėte pasidalinti Deci AI atsiradimo istorija?

Nesunku atpažinti – kaip aš dariau, kai studijavau doktorantūros studijas – koks naudingas AI gali būti naudojamas visais atvejais. Tačiau daugeliui įmonių sunku išnaudoti visą AI potencialą, nes kūrėjai nuolat susiduria su kova, kad sukurtų gamybai paruoštus gilaus mokymosi modelius. Kitaip tariant, dirbtinį intelektą gaminti vis dar labai sunku.

Šie iššūkiai daugiausia gali būti siejami su AI efektyvumo spraga, su kuria susiduria pramonė. Algoritmai auga eksponentiškai galingesni ir jiems reikia daugiau skaičiavimo galios, tačiau lygiagrečiai juos reikia diegti ekonomiškai efektyviu būdu, dažnai ribotų išteklių kraštų įrenginiuose.

Mano įkūrėjai prof. Ran El-Yaniv, Jonathan Elial ir aš kartu įkūrėme „Deci“, siekdami išspręsti šį iššūkį. Ir mes tai padarėme vieninteliu būdu, kaip matėme įmanomą – naudodami patį AI, kad sukurtume naujos kartos gilų mokymąsi. Pritaikėme pirmiausia algoritminį metodą, siekdami pagerinti AI algoritmų veiksmingumą ankstesniuose etapuose, o tai savo ruožtu suteiks kūrėjams galimybę kurti ir dirbti su modeliais, kurie užtikrina aukščiausią tikslumo ir efektyvumo lygį bet kuriai išvadų aparatūrai.

Gilus mokymasis yra „Deci AI“ pagrindas, ar galėtumėte tai apibrėžti mums?

Gilus mokymasis, kaip ir mašininis mokymasis, yra dirbtinio intelekto polaukis, skirtas naujai programų erai. Gilus mokymasis yra labai įkvėptas žmogaus smegenų struktūros, todėl kai aptariame gilųjį mokymąsi, mes kalbame apie „neuroninius tinklus“. Tai ypač aktualu kraštinėms programoms (galvokite apie kameras išmaniuosiuose miestuose, jutiklius autonominėse transporto priemonėse, analitinius sprendimus sveikatos priežiūros srityje), kur vietoje gilaus mokymosi modeliai yra labai svarbūs kuriant tokias įžvalgas realiuoju laiku.

Kas yra neuroninės architektūros paieška?

Neuroninės architektūros paieška (NAS) yra technologinė disciplina, kuria siekiama gauti geresnius giluminio mokymosi modelius.

„Google“ novatoriškas darbas su NAS 2017 m. padėjo šią temą įtraukti į pagrindinę kryptį, bent jau mokslinių tyrimų ir akademiniuose sluoksniuose.

NAS tikslas yra rasti geriausią neuroninio tinklo architektūrą konkrečiai problemai. Jis automatizuoja DNN projektavimą, užtikrindamas didesnį našumą ir mažesnius nuostolius nei rankiniu būdu sukurtos architektūros. Tai apima procesą, kurio metu algoritmas ieško milijonų galimų modelių architektūrų bendroje erdvėje, kad gautų architektūrą, unikaliai pritaikytą tai konkrečiai problemai išspręsti. Paprasčiau tariant, jis naudoja dirbtinį intelektą, kad sukurtų naują AI, pagrįstą specifiniais bet kurio projekto poreikiais.

Jį komandos naudoja siekdamos supaprastinti kūrimo procesą, sumažinti bandymų ir klaidų iteracijas ir užtikrinti, kad būtų sukurtas geriausias modelis, kuris geriausiai atitiktų programų tikslumą ir našumo tikslus.

Kokie yra neuroninės architektūros paieškos apribojimai?

Pagrindiniai tradicinių NAS apribojimai yra prieinamumas ir mastelio keitimas. Šiandien NAS dažniausiai naudojamas tyrimų tikslais ir paprastai jį atlieka tik technologijų milžinai, tokie kaip Google ir Facebook, arba akademiniuose institutuose, tokiuose kaip Stanfordas, nes tradicinius NAS metodus atlikti yra sudėtinga ir jiems reikia daug skaičiavimo išteklių.

Štai kodėl aš taip didžiuojuosi mūsų pasiekimais kuriant novatorišką Deci AutoNAC (Automated Neural Architecture Construction) technologiją, kuri demokratizuoja NAS ir leidžia bet kokio dydžio įmonėms lengvai sukurti pasirinktines modelių architektūras su geresniu nei moderniausiu tikslumu ir greitis jų pritaikymui.

Kuo mokymosi prieštaravimų aptikimas skiriasi atsižvelgiant į vaizdo tipą?

Keista, bet vaizdų sritis neturi didelės įtakos objektų aptikimo modelių mokymo procesui. Nesvarbu, ar gatvėje ieškote pėsčiojo, medicininės apžiūros metu naviko ar paslėpto ginklo rentgeno nuotraukoje, kurią padarė oro uosto apsauga, procesas yra beveik tas pats. Duomenys, kuriuos naudojate modeliui mokyti, turi atspindėti atliekamą užduotį, o modelio dydį ir struktūrą gali turėti įtakos jūsų vaizdo objektų dydis, forma ir sudėtingumas.

Kaip „Deci AI“ siūlo visapusišką gilaus mokymosi platformą?

Deci platforma suteikia kūrėjams galimybę kurti, mokyti ir įdiegti tikslius ir greitus gilaus mokymosi modelius gamyboje. Tai darydamos, komandos gali panaudoti pažangiausią mokslinių tyrimų ir inžinerijos geriausią praktiką naudodami vieną kodo eilutę, sutrumpinti pateikimo į rinką laiką nuo mėnesių iki kelių savaičių ir garantuoti sėkmę gamyboje.

Iš pradžių pradėjote nuo 6 žmonių komandos, o dabar aptarnaujate dideles įmones. Ar galėtumėte aptarti įmonės augimą ir kai kuriuos iššūkius, su kuriais susidūrėte?

Džiaugiamės augimu, kurį pasiekėme nuo 2019 m. pradžios. Dabar, kai dirba daugiau nei 50 darbuotojų ir iki šiol yra daugiau nei 55 mln. USD, esame įsitikinę, kad galime ir toliau padėti kūrėjams suvokti tikrąjį AI potencialą ir veikti pagal jį. Nuo pat paleidimo mes buvome įtraukti į „CB Insights“ AI 100, padarė novatoriškų laimėjimų, pvz., mūsų modelių šeimą, kuri užtikrina proveržį gilus mokymosi našumas procesoriuose, ir sustiprino prasmingą bendradarbiavimą, įskaitant su tokiais garsiais vardais kaip "Intel".

Ar dar ko nors norėtumėte pasidalinti apie Deci AI?

Kaip jau minėjau anksčiau, AI efektyvumo spraga ir toliau kelia didelių kliūčių dirbtinio intelekto gamybai. „Perėjimas į kairę“ – atsižvelgiama į gamybos suvaržymus ankstyvame kūrimo ciklo etape, sumažinamas laikas ir sąnaudos, skiriamos šalinant galimas kliūtis diegiant giluminio mokymosi modelius gamyboje. Įrodyta, kad mūsų platforma gali tai padaryti, suteikdama įmonėms įrankius, reikalingus sėkmingai kurti ir įdiegti pasaulį keičiančius AI sprendimus.

Mūsų tikslas paprastas – padaryti dirbtinį intelektą plačiai prieinamą, įperkamą ir keičiamo dydžio.

Dėkojame už puikų interviu, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti čia.