Yonatan Geifman, Гүйцэтгэх захирал ба Deci - Цуврал ярилцлагын үүсгэн байгуулагч

Йонатан Гейфман компанийн гүйцэтгэх захирал ба үүсгэн байгуулагч юм Дэчи Энэ нь хиймэл оюун ухааны загваруудыг ямар ч техник хангамж дээр үйлдвэрлэлийн түвшний шийдэл болгон хувиргадаг. Deci-г Gartner-аас Edge AI-ийн технологийн шинийг санаачлагч гэж хүлээн зөвшөөрч, CB Insights-ийн AI 100 жагсаалтад оруулсан. Түүний эзэмшдэг технологийн гүйцэтгэл нь Intel-тэй хамтран MLPerf-д шинэ дээд амжилт тогтоосон.

Таныг машин сурахад юу татсан бэ?

Бага наснаасаа л би хамгийн сүүлийн үеийн технологид сэтгэл татдаг байсан - зөвхөн тэдгээрийг ашиглах биш, харин хэрхэн ажилладагийг үнэхээр ойлгодог байсан.

Энэхүү насан туршийн сэтгэл татам байдал нь компьютерийн шинжлэх ухааны докторын зэрэгт суралцах замыг минь нээж өгсөн бөгөөд миний судалгаа нь гүн мэдрэлийн сүлжээ (DNN) дээр төвлөрч байв. Энэхүү чухал технологийг эрдэм шинжилгээний орчинд ойлгосноор би хиймэл оюун ухаан бидний эргэн тойрон дахь ертөнцөд эерэгээр нөлөөлөх арга замуудыг жинхэнэ утгаар нь ойлгож эхэлсэн. Замын хөдөлгөөнийг илүү сайн хянаж, осол аваарыг бууруулах боломжтой ухаалаг хотуудаас эхлээд хүний ​​оролцоо бага шаарддаг бие даасан тээврийн хэрэгсэл, хүний ​​амь насыг аврах эмнэлгийн хэрэгсэл хүртэл – хиймэл оюун ухаан нийгмийг сайжруулах төгсгөлгүй програмууд байдаг. Би тэр хувьсгалд оролцох хүсэлтэйгээ үргэлж мэддэг байсан.

Та Deci AI-ийн үүслийн түүхийг хуваалцаж болох уу?

Би сургуульд байхдаа докторын зэрэг хамгаалсан шиг хиймэл оюун ухаан нь ашиглалтын нөхцөлд хэр ашигтай болохыг танихад хэцүү биш юм. Гэсэн хэдий ч олон аж ахуйн нэгжүүд хиймэл оюун ухааны бүрэн чадавхийг ашиглахын төлөө тэмцэж байна, учир нь хөгжүүлэгчид үйлдвэрлэлд бэлэн гүнзгий суралцах загваруудыг хөгжүүлэхийн тулд үргэлжилсэн тэмцэлтэй тулгардаг. Өөрөөр хэлбэл, хиймэл оюун ухаан үйлдвэрлэхэд маш хэцүү хэвээр байна.

Эдгээр сорилтууд нь энэ салбарт тулгарч буй хиймэл оюун ухааны үр ашгийн зөрүүтэй холбоотой байж болох юм. Алгоритмууд нь экспоненциалаар илүү хүчирхэг болж, илүү их тооцоолох хүч шаарддаг боловч үүнтэй зэрэгцэн тэдгээрийг ихэвчлэн нөөц хязгаарлагдмал захын төхөөрөмжүүдэд хэмнэлттэй байдлаар ашиглах шаардлагатай болдог.

Миний үүсгэн байгуулагч Профессор Ран Эл-Янив, Жонатан Элиал бид хоёр энэ сорилтыг шийдвэрлэхийн тулд Deci-г үүсгэн байгуулсан. Бид үүнийг боломжтой гэж үзсэн цорын ганц арга замаар хийсэн - AI-г ашиглан дараагийн үеийн гүнзгий суралцах чадварыг бий болгох. Бид эхний үе шатанд AI алгоритмуудын үр ашгийг дээшлүүлэхийн тулд алгоритмын анхны хандлагыг хэрэгжүүлсэн бөгөөд энэ нь эргээд аливаа дүгнэлтийн техник хангамжид хамгийн өндөр нарийвчлал, үр ашгийг өгөх загваруудыг бүтээж, хамтран ажиллах боломжийг хөгжүүлэгчдэд олгоно.

Гүнзгий суралцах нь Deci AI-ийн цөм юм, та үүнийг бидэнд тодорхойлж чадах уу?

Машины сургалтын нэгэн адил гүнзгий суралцах нь хиймэл оюун ухааны дэд салбар бөгөөд хэрэглээний шинэ эрин үеийг бий болгох зорилготой юм. Гүнзгий суралцах нь хүний ​​тархи хэрхэн бүтцээс ихээхэн санаа авдаг тул бид гүнзгий суралцах тухай ярихдаа "мэдрэлийн сүлжээ"-ийн талаар ярилцдаг. Энэ нь бодит цаг хугацаанд ийм ойлголтыг бий болгоход газар дээр нь гүнзгий суралцах загварууд маш чухал байдаг захын хэрэглээнд (ухаалаг хотын камер, бие даасан тээврийн хэрэгслийн мэдрэгч, эрүүл мэндийн салбарт аналитик шийдэл) маш их хамааралтай.

Мэдрэлийн архитектурын хайлт гэж юу вэ?

Мэдрэлийн архитектурын хайлт (NAS) нь илүү сайн гүнзгий суралцах загваруудыг олж авахад чиглэсэн технологийн салбар юм.

Google-ийн 2017 онд NAS дээр хийсэн анхдагч ажил нь наад зах нь судалгаа, эрдэм шинжилгээний хүрээний хүрээнд уг сэдвийг үндсэн чиглэлд оруулахад тусалсан.

NAS-ийн зорилго нь тухайн асуудлын хамгийн сайн мэдрэлийн сүлжээний архитектурыг олох явдал юм. Энэ нь DNN-ийн дизайныг автоматжуулж, гараар бүтээгдсэн архитектураас илүү өндөр гүйцэтгэл, алдагдал багатай болгодог. Энэ нь алгоритм нь боломжит сая сая загвар аркуикуруудын нийлбэр орон зайн дунд хайлт хийж тухайн асуудлыг шийдвэрлэхэд өвөрмөц зохицсон архитектурыг гаргах үйл явцыг хамардаг. Энгийнээр хэлэхэд аливаа төслийн тодорхой хэрэгцээнд тулгуурлан шинэ хиймэл оюун ухаан зохион бүтээхдээ хиймэл оюун ухааныг ашигладаг.

Үүнийг багууд хөгжүүлэлтийн процессыг хялбарчлах, туршилт, алдааны давталтыг багасгах, програмын нарийвчлал, гүйцэтгэлийн зорилтод хамгийн сайн үйлчлэх эцсийн загварыг гаргахад ашигладаг.

Мэдрэлийн архитектурын хайлтын зарим хязгаарлалт юу вэ?

Уламжлалт NAS-ийн гол хязгаарлалт нь хүртээмжтэй байдал, өргөтгөх боломжтой байдал юм. NAS-ийг өнөөдөр ихэвчлэн судалгааны орчинд ашигладаг бөгөөд ихэвчлэн зөвхөн Google, Facebook зэрэг технологийн аварга том компаниуд эсвэл Стэнфорд зэрэг эрдэм шинжилгээний хүрээлэнгүүдэд л хийдэг.

Тийм ч учраас би Deci-ийн шинэлэг AutoNAC (Automated Neural Architecture Construction) технологийг хөгжүүлж, NAS-ийг ардчилсан болгож, бүх хэмжээний компаниудад хамгийн сүүлийн үеийн нарийвчлалаас илүү нарийвчлалтайгаар захиалгат загвар архитектурыг хялбархан бүтээх боломжийг олгодог бидэнд маш их бахархаж байна. тэдний хэрэглээний хурд.

Зургийн төрлөөс хамааран эсэргүүцлийг илрүүлэх сурах арга юугаараа ялгаатай вэ?

Гайхалтай нь, зургийн домэйн нь объект илрүүлэх загваруудын сургалтын үйл явцад эрс нөлөөлдөггүй. Та гудамжинд явган зорчигч хайж байгаа эсэх, эмнэлгийн үзлэгт орсон хавдар, эсвэл нисэх онгоцны буудлын хамгаалалтын албаныхан авсан рентген зураг дээрх далд зэвсгийг хайж байгаа эсэхээс үл хамааран энэ үйл явц бараг ижил байна. Загвараа сургахад ашигладаг өгөгдөл нь тухайн даалгаврыг төлөөлөх ёстой бөгөөд загварын хэмжээ, бүтэц нь таны зурган дээрх объектын хэмжээ, хэлбэр, нарийн төвөгтэй байдлаас шалтгаалж болно.

Deci AI хэрхэн гүнзгий суралцах төгсгөл хүртэлх платформыг санал болгодог вэ?

Deci платформ нь хөгжүүлэгчдэд үнэн зөв, хурдан гүнзгий суралцах загваруудыг бүтээх, сургах, үйлдвэрлэлд нэвтрүүлэх боломжийг олгодог. Ингэхдээ багууд хамгийн сүүлийн үеийн судалгаа, инженерийн шилдэг туршлагыг нэг мөр кодоор ашиглаж, зах зээлд гаргах хугацааг хэдэн сараас хоёр долоо хоногоор богиносгож, үйлдвэрлэлийн амжилтыг баталгаажуулж чадна.

Та анх 6 хүний ​​бүрэлдэхүүнтэй ажиллаж байсан бол одоо томоохон үйлдвэрүүдэд үйлчилж байна. Та компанийхаа өсөлт хөгжилт, тулгарч байсан бэрхшээлүүдийн талаар ярилцана уу?

Бид 2019 оноос хойш амжилтад хүрсэндээ сэтгэл хангалуун байна. Одоо 50 гаруй ажилтантай, өнөөдрийг хүртэл 55 сая гаруй долларын санхүүжилттэй байгаа тул бид хөгжүүлэгчдэд хиймэл оюун ухааны жинхэнэ боломжуудыг ухаарч, хэрэгжүүлэхэд нь үргэлжлүүлэн тусалж чадна гэдэгтээ итгэлтэй байна. Гаргаснаасаа хойш бид үүнд хамрагдсан CB Insights-ийн AI 100, манай гэр бүлийн загвар өмсөгчид зэрэг цоо шинэ амжилтуудыг гаргасан CPU дээр гүнзгий суралцах гүйцэтгэл, зэрэг томоохон нэрстэй утга учиртай хамтын ажиллагааг бэхжүүлсэн Intel.

Deci AI-ийн талаар хуваалцахыг хүссэн өөр зүйл байна уу?

Өмнө дурьдсанчлан хиймэл оюун ухааны үр ашгийн зөрүү нь хиймэл оюун ухааны үйлдвэрлэлд томоохон саад бэрхшээлийг үүсгэсээр байна. "Зүүн тийш шилжих" - хөгжлийн амьдралын мөчлөгийн эхэн үеийн үйлдвэрлэлийн хязгаарлалтыг тооцож, үйлдвэрлэлд гүн гүнзгий суралцах загваруудыг нэвтрүүлэхэд гарч болзошгүй саад бэрхшээлийг арилгахад зарцуулсан цаг хугацаа, зардлыг бууруулдаг. Дэлхийг өөрчилдөг хиймэл оюун ухааны шийдлүүдийг амжилттай хөгжүүлж, нэвтрүүлэхэд шаардлагатай хэрэгслээр компаниудыг хангаснаар манай платформ үүнийг хийж чадахаа баталсан.

Бидний зорилго бол энгийн – хиймэл оюун ухааныг өргөн хүртээмжтэй, боломжийн, өргөжүүлэх боломжтой болгох.

Сайхан ярилцлага өгсөнд баярлалаа, илүү ихийг мэдэхийг хүссэн уншигчид маань зочлоорой Дэчи.