Yonatan Geifman၊ စီအီးအိုနှင့် Deci ၏တွဲဖက်တည်ထောင်သူ - အင်တာဗျူးစီးရီး

Yonatan Geifman CEO နှင့် Co-Founder ဖြစ်သည် ဒစီ AI မော်ဒယ်များကို မည်သည့်ဟာ့ဒ်ဝဲတွင်မဆို ထုတ်လုပ်ရေးအဆင့်ဖြေရှင်းချက်အဖြစ် ပြောင်းလဲပေးသည်။ Deci ကို Gartner မှ Edge AI အတွက် Tech Innovator အဖြစ် အသိအမှတ်ပြုထားပြီး CB Insights ၏ AI 100 စာရင်းတွင် ထည့်သွင်းထားသည်။ ၎င်း၏ကိုယ်ပိုင်နည်းပညာ၏စွမ်းဆောင်ရည်သည် Intel နှင့်အတူ MLPerf တွင် မှတ်တမ်းသစ်များတင်ခဲ့သည်။

မည်သည့်အရာက သင့်အား စက်သင်ယူမှုကို အစပိုင်းတွင် ဆွဲဆောင်ခဲ့သနည်း။

ငယ်ငယ်ကတည်းက ဖြတ်တောက်ထားတဲ့ နည်းပညာတွေကို အသုံးပြုရုံတင်မဟုတ်ဘဲ သူတို့ရဲ့ အလုပ်လုပ်ပုံကို အမှန်တကယ် နားလည်သဘောပေါက်ခဲ့ပါတယ်။

ဤတစ်သက်တာလုံး စွဲဆောင်မှုရှိသော စွဲလန်းမှုသည် Deep Neural Networks (DNNs) တွင် ကျွန်ုပ်၏ သုတေသနကို အာရုံစိုက်သည့် ကွန်ပျူတာသိပ္ပံတွင် ကျွန်ုပ်၏ နောက်ဆုံး PhD လေ့လာမှုများဆီသို့ လမ်းခင်းပေးခဲ့သည်။ ပညာရပ်ဆိုင်ရာ နယ်ပယ်တစ်ခုတွင် ဤအရေးပါသောနည်းပညာကို နားလည်လာသောအခါတွင် AI သည် ကျွန်ုပ်တို့ပတ်ဝန်းကျင်ရှိ ကမ္ဘာကြီးကို အပြုသဘောဆောင်သော အကျိုးသက်ရောက်စေမည့် နည်းလမ်းများကို အမှန်တကယ် နားလည်သဘောပေါက်လာသည်။ ယာဉ်ကြောပိတ်ဆို့မှုများကို ပိုမိုကောင်းမွန်စွာ စောင့်ကြည့်နိုင်ပြီး မတော်တဆမှုများကို လျှော့ချနိုင်သည့် စမတ်မြို့များမှ၊ လူသားဝင်ရောက်စွက်ဖက်မှု အနည်းငယ်မျှ လိုအပ်သည့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များအထိ၊ အသက်ကယ်ဆေးဘက်ဆိုင်ရာ ကိရိယာများအထိ - AI သည် လူ့အဖွဲ့အစည်းကို ပိုမိုကောင်းမွန်စေမည့် အဆုံးမရှိသော အပလီကေးရှင်းများ ရှိပါသည်။ ဒီတော်လှန်ရေးမှာ ပါဝင်ချင်တယ်ဆိုတာ အမြဲသိတယ်။

Deci AI ရဲ့ နောက်ကွယ်က ဥပါဒ်ဇာတ်လမ်းကို သင်မျှဝေပေးနိုင်မလား။

PhD အတွက် ကျောင်းတက်တုန်းကလိုပဲ အသိအမှတ်ပြုဖို့က မခက်ပါဘူး - ဘုတ်အဖွဲ့တစ်ခွင်မှာ AI က ဘယ်လောက်အထိ အကျိုးရှိနိုင်လဲဆိုတာကို အသိအမှတ်ပြုပါတယ်။ သို့သော် developer များသည် ထုတ်လုပ်မှုအတွက် အဆင်သင့်ဖြစ်နေပြီဖြစ်သော နက်နဲသောသင်ယူမှုပုံစံများကို တီထွင်ရန်အတွက် developer များသည် ကုန်းမြင့်တိုက်ပွဲကို ဆက်လက်ရင်ဆိုင်နေသဖြင့် လုပ်ငန်းအများအပြားသည် AI ၏ အလားအလာကို အပြည့်အဝအသုံးချရန် ရုန်းကန်နေကြရသည်။ တစ်နည်းဆိုရသော် AI ကို ထုတ်လုပ်ရန် အလွန်ခက်ခဲနေသေးသည်။

ဤစိန်ခေါ်မှုများသည် စက်မှုလုပ်ငန်းတွင်ရင်ဆိုင်နေရသော AI စွမ်းဆောင်ရည်ကွာဟချက်ကြောင့် ကြီးမားစွာယူဆနိုင်သည်။ အယ်လဂိုရီသမ်များသည် အဆပို၍ အားကောင်းလာပြီး ကွန်ပြူတာစွမ်းအား ပိုလိုအပ်သော်လည်း၊ မကြာခဏဆိုသလို အရင်းအမြစ်ကန့်သတ်ထားသော အစွန်းထွက်စက်ပစ္စည်းများတွင် ကုန်ကျစရိတ်သက်သာသောနည်းလမ်းဖြင့် ၎င်းတို့ကို အပြိုင်အသုံးပြုရန် လိုအပ်ပါသည်။

ကျွန်ုပ်၏ပူးတွဲတည်ထောင်သူ ပါမောက္ခ Ran El-Yaniv၊ Jonathan Elial နှင့် ကျွန်ုပ်သည် ထိုစိန်ခေါ်မှုကိုဖြေရှင်းရန်အတွက် Deci ကို ပူးတွဲတည်ထောင်ခဲ့ပါသည်။ နက်နဲသောသင်ယူမှုမျိုးဆက်သစ်ကို ဖန်တီးရန် AI ကိုယ်တိုင်အသုံးပြုခြင်းဖြင့် ဖြစ်နိုင်ချေရှိသည်ကို ကျွန်ုပ်တို့မြင်သည့်တစ်ခုတည်းသောနည်းလမ်းဖြင့် ပြုလုပ်ခဲ့သည်။ ကျွန်ုပ်တို့သည် အစောပိုင်းအဆင့်များတွင် AI algorithms များ၏ ထိရောက်မှုကို မြှင့်တင်ရန် လုပ်ဆောင်နေသည့် အယ်လဂိုရီသမ်-ပထမချဉ်းကပ်မှုကို လက်ခံခဲ့ပြီး၊ ၎င်းသည် ဆော့ဖ်ဝဲအင်ဂျင်နီယာများအား ပေးထားသည့် အနုမာနဟာ့ဒ်ဝဲအတွက် အမြင့်ဆုံးအဆင့် တိကျမှုနှင့် ထိရောက်မှုတို့ကို ပေးဆောင်သည့် မော်ဒယ်များဖြင့် တည်ဆောက်ပြီး အလုပ်လုပ်နိုင်စေမည်ဖြစ်သည်။

နက်ရှိုင်းသောသင်ယူမှုသည် Deci AI ၏အဓိကတွင်ဖြစ်သည်၊ ၎င်းကိုကျွန်ုပ်တို့အတွက်သတ်မှတ်ပေးနိုင်ပါသလား။

စက်သင်ယူခြင်းကဲ့သို့ နက်နဲသောသင်ယူမှုသည် AI ၏နယ်ပယ်ခွဲတစ်ခုဖြစ်ပြီး၊ အက်ပ်လီကေးရှင်းများ၏ခေတ်သစ်ကို အားကောင်းစေမည့်အရာတစ်ခုဖြစ်သည်။ နက်နဲသောသင်ယူမှုသည် လူ့ဦးနှောက်ဖွဲ့စည်းပုံကြောင့် ကြီးကြီးမားမား မှုတ်သွင်းထားသောကြောင့် နက်နဲသောသင်ယူမှုကို ဆွေးနွေးသောအခါတွင် ကျွန်ုပ်တို့သည် “အာရုံကြောကွန်ရက်များ” ကို ဆွေးနွေးကြသည်။ ၎င်းသည် Edge အက်ပ်လီကေးရှင်းများ (စမတ်မြို့များရှိ ကင်မရာများ၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များပေါ်ရှိ အာရုံခံကိရိယာများ၊ ကျန်းမာရေးစောင့်ရှောက်မှုဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ဖြေရှင်းနည်းများ) အတွက် အလွန်သက်ဆိုင်သည်

Neural Architecture Search ဆိုတာဘာလဲ။

Neural Architecture Search (NAS) သည် ပိုမိုကောင်းမွန်သော နက်ရှိုင်းသော သင်ယူမှုပုံစံများကို ရရှိရန် ရည်ရွယ်သည့် နည်းပညာဆိုင်ရာ စည်းကမ်းတစ်ခုဖြစ်သည်။

2017 တွင် Google ၏ ရှေ့ဆောင်လုပ်ငန်းဖြစ်သော NAS သည် သုတေသနနှင့် ပညာရပ်ဆိုင်ရာ အသိုင်းအဝိုင်းအတွင်း ခေါင်းစဉ်ကို ပင်မရေစီးကြောင်းသို့ ပို့ဆောင်ပေးခဲ့သည်။

NAS ၏ရည်ရွယ်ချက်မှာ ပြဿနာတစ်ခုအတွက် အကောင်းဆုံးသော အာရုံကြောကွန်ရက်တည်ဆောက်ပုံကို ရှာဖွေရန်ဖြစ်သည်။ ၎င်းသည် ကိုယ်တိုင်ဒီဇိုင်းထုတ်ထားသော ဗိသုကာများထက် ပိုမိုမြင့်မားသော စွမ်းဆောင်ရည်နှင့် ဆုံးရှုံးမှုများကို သေချာစေရန် DNNs များ၏ ဒီဇိုင်းကို အလိုအလျောက်လုပ်ဆောင်ပေးသည်။ ၎င်းတွင် ရရှိနိုင်သော မော်ဒယ် arcuitecures သန်းပေါင်းများစွာ၏ စုစည်းနေရာများကြားတွင် algorithm တစ်ခုမှ ရှာဖွေသည့် လုပ်ငန်းစဉ်တစ်ခု ပါဝင်ပြီး ထိုပြဿနာကို ဖြေရှင်းရန် ထူးထူးခြားခြား သင့်လျော်သော ဗိသုကာတစ်ခုအား ထုတ်ပေးပါသည်။ ရိုးရိုးရှင်းရှင်းပြောရလျှင် ၎င်းသည် ပေးထားသောပရောဂျက်တစ်ခု၏ သီးခြားလိုအပ်ချက်များအပေါ်အခြေခံ၍ AI အသစ်ကို ဒီဇိုင်းထုတ်ရန် AI ကိုအသုံးပြုသည်။

ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်ကို ရိုးရှင်းစေရန်၊ အစမ်းသုံးခြင်းနှင့် အမှားထပ်ခြင်းများကို လျှော့ချရန်နှင့် ၎င်းတို့သည် အပလီကေးရှင်းများ၏ တိကျမှုနှင့် စွမ်းဆောင်ရည်ပစ်မှတ်များကို အကောင်းဆုံးဆောင်ရွက်ပေးနိုင်သည့် နောက်ဆုံးမော်ဒယ်ဖြင့် အဆုံးစွန်သေချာစေရန် ၎င်းတို့ကို အသုံးပြုထားသည်။

Neural Architecture Search ၏ ကန့်သတ်ချက်အချို့မှာ အဘယ်နည်း။

သမားရိုးကျ NAS ၏ အဓိက ကန့်သတ်ချက်များမှာ သုံးစွဲနိုင်မှုနှင့် ကျွမ်းကျင်ပိုင်နိုင်မှုတို့ဖြစ်သည်။ ယနေ့ NAS ကို သုတေသနဆက်တင်များတွင် အများအားဖြင့် အသုံးပြုကြပြီး ပုံမှန်အားဖြင့် Google နှင့် Facebook တို့ကဲ့သို့ နည်းပညာဘီလူးကြီးများကသာ လုပ်ဆောင်ကြသည်၊ သို့မဟုတ် Stanford ကဲ့သို့ ပညာရေးဆိုင်ရာ အင်စတီကျုများတွင် သမားရိုးကျ NAS နည်းစနစ်များသည် ရှုပ်ထွေးပြီး တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များစွာ လိုအပ်သောကြောင့် လုပ်ဆောင်ကြသည်။

ထို့ကြောင့် NAS ကို ဒီမိုကရေစီနှင့် အရွယ်အစားအားလုံးမှ ကုမ္ပဏီများကို ခေတ်မီတိကျမှုထက် ပိုမိုကောင်းမွန်သော တိကျမှန်ကန်မှုထက် ပိုမိုကောင်းမွန်သော စိတ်ကြိုက်မော်ဒယ်ဗိသုကာလက်ရာများကို အလွယ်တကူ တည်ဆောက်နိုင်စေသည့် Deci ၏ အဆန်းသစ်ဆုံးသော AutoNAC (Automated Neural Architecture Construction) နည်းပညာကို တီထွင်ခြင်းအတွက် ကျွန်ုပ်တို့၏ အောင်မြင်မှုများကို ဂုဏ်ယူဝမ်းမြောက်မိပါသည်။ ၎င်းတို့၏ applications များအတွက်မြန်နှုန်း။

ရုပ်ပုံအမျိုးအစားအပေါ်အခြေခံ၍ ကန့်ကွက်မှုရှာဖွေတွေ့ရှိမှုကို သင်ယူခြင်းသည် မည်သို့ကွာခြားသနည်း။

အံ့သြစရာမှာ၊ ရုပ်ပုံများ၏ ဒိုမိန်းသည် အရာဝတ္ထုထောက်လှမ်းမှုပုံစံများ၏ လေ့ကျင့်မှုလုပ်ငန်းစဉ်ကို သိသိသာသာ သက်ရောက်မှုမရှိပါ။ လမ်းပေါ်မှာ လမ်းသွားလမ်းလာတွေကို ရှာနေတာပဲဖြစ်ဖြစ်၊ ဆေးစကင်န်မှာ အကျိတ်တစ်ခု ဒါမှမဟုတ် လေဆိပ်လုံခြုံရေးက ရိုက်ထားတဲ့ X-ray ပုံမှာ ဖုံးကွယ်ထားတဲ့ လက်နက်ကို ရှာနေတာပဲဖြစ်ဖြစ်၊ လုပ်ငန်းစဉ်က တော်တော်လေး အတူတူပါပဲ။ သင်၏ မော်ဒယ်ကို လေ့ကျင့်ရန် သင်အသုံးပြုသည့် ဒေတာသည် လက်ထဲတွင်ရှိသော လုပ်ငန်းတာဝန်ကို ကိုယ်စားပြုရန် လိုအပ်ပြီး မော်ဒယ်အရွယ်အစားနှင့် တည်ဆောက်ပုံသည် သင့်ပုံရှိ အရာဝတ္ထုများ၏ အရွယ်အစား၊ ပုံသဏ္ဍာန်နှင့် ရှုပ်ထွေးမှုများကြောင့် ထိခိုက်နိုင်သည်။

Deci AI သည် နက်နဲသောသင်ယူမှုအတွက် အဆုံးမှအဆုံးပလက်ဖောင်းကို မည်သို့ကမ်းလှမ်းသနည်း။

Deci ၏ပလပ်ဖောင်းသည် ထုတ်လုပ်သူများအား တိကျသောနှင့် လျင်မြန်သော နက်နဲသောသင်ယူမှုပုံစံများကို ထုတ်လုပ်ရန်အတွက် တည်ဆောက်ရန်၊ လေ့ကျင့်သင်ကြားရန်နှင့် အသုံးချရန် developer များအား အခွင့်အာဏာပေးသည်။ ထိုသို့လုပ်ဆောင်ရာတွင်၊ အဖွဲ့များသည် ကုဒ်တစ်ကြောင်းဖြင့် အကောင်းမွန်ဆုံးသော သုတေသနနှင့် အင်ဂျင်နီယာဆိုင်ရာ အကောင်းဆုံးအလေ့အကျင့်များကို အသုံးချနိုင်ပြီး စျေးကွက်သို့ လအနည်းငယ်မှ ရက်သတ္တပတ်နှစ်ပတ်အထိ အချိန်တိုစေကာ ထုတ်လုပ်မှုတွင် အောင်မြင်မှုရရှိရန် အာမခံပါသည်။

သင်သည် ကနဦးတွင် လူ 6 ဦးပါဝင်သော အဖွဲ့တစ်ဖွဲ့ဖြင့် စတင်ခဲ့ပြီး ယခုအခါ လုပ်ငန်းကြီးများကို ဝန်ဆောင်မှုပေးလျက်ရှိသည်။ ကုမ္ပဏီတိုးတက်မှုနှင့် သင်ကြုံတွေ့ခဲ့ရသော စိန်ခေါ်မှုအချို့ကို ဆွေးနွေးနိုင်ပါသလား။

2019 ခုနှစ်မှစတင်၍ ကျွန်ုပ်တို့ရရှိလာခဲ့သည့် တိုးတက်မှုအတွက် ကျွန်ုပ်တို့ ပီတိဖြစ်ရပါသည်။ ယခု ဝန်ထမ်း 50 ကျော်နှင့် ယနေ့အထိ ရန်ပုံငွေ $55 သန်းကျော်၊ developer များအား AI ၏ စစ်မှန်သောအလားအလာကို သိရှိပြီး လုပ်ဆောင်နိုင်ရန် ဆက်လက်ကူညီပေးနိုင်မည်ဟု ယုံကြည်ပါသည်။ စတင်ရောင်းချချိန်မှစ၍ ကျွန်ုပ်တို့သည် ပါဝင်လာပါသည်။ CB Insights ၏ AI 100ကျွန်ုပ်တို့၏ မော်ဒယ်မိသားစုများကဲ့သို့သော အောင်မြင်မှုများရရှိစေမည့် ပြောင်မြောက်သော အောင်မြင်မှုများကို ပြုလုပ်ခဲ့သည်။ CPU များပေါ်တွင် နက်ရှိုင်းစွာ သင်ယူမှုစွမ်းဆောင်ရည်နှင့် ကဲ့သို့သော နာမည်ကြီးများဖြင့် အပါအဝင် ခိုင်မာသော အဓိပ္ပါယ်ရှိသော ပူးပေါင်းဆောင်ရွက်မှုများ Intel က.

Deci AI အကြောင်း သင်မျှဝေလိုသည့် အခြားအရာများ ရှိပါသလား။

အရင်ကပြောခဲ့သလိုပဲ AI စွမ်းဆောင်ရည်ကွာဟမှုက AI ထုတ်လုပ်မှုအတွက် အဓိကအတားအဆီးဖြစ်စေတယ်။ "ဘယ်ဘက်သို့ ရွေ့လျားခြင်း" - ဖွံ့ဖြိုးတိုးတက်မှုဘဝစက်ဝန်းတွင် အစောပိုင်းထုတ်လုပ်မှုကန့်သတ်ချက်များကို ထည့်သွင်းတွက်ချက်ခြင်းဖြင့် ထုတ်လုပ်မှုတွင် နက်ရှိုင်းသောသင်ယူမှုပုံစံများကို ထုတ်လုပ်မှုတွင် လက်တွေ့အသုံးချသည့်အခါ ဖြစ်နိုင်ချေရှိသော အတားအဆီးများကို ပြင်ဆင်ရာတွင် အသုံးပြုသည့်အချိန်နှင့် ကုန်ကျစရိတ်များကို လျှော့ချပေးသည်။ ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် ကမ္ဘာနှင့်အဝှမ်းပြောင်းလဲနေသော AI ဖြေရှင်းချက်များကို အောင်မြင်စွာတီထွင်ပြီး အသုံးပြုနိုင်ရန် လိုအပ်သောကိရိယာများကို ကုမ္ပဏီများကို ပံ့ပိုးပေးခြင်းဖြင့် ထိုကဲ့သို့လုပ်ဆောင်နိုင်ကြောင်း သက်သေပြထားပါသည်။

ကျွန်ုပ်တို့၏ပန်းတိုင်မှာ ရိုးရှင်းပါသည်- AI ကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနိုင်ရန်၊ တတ်နိုင်စေပြီး အရွယ်အစားကို အသုံးပြုနိုင်စေရန်။

အင်တာဗျူးကောင်းအတွက် ကျေးဇူးတင်ပါသည်၊ ပိုမိုလေ့လာလိုသော စာဖတ်သူများ လာရောက်လေ့လာသင့်ပါသည်။ ဒစီ.