Dr. Yair Adato, CEO en oprichter van Bria – Interviewreeks

Dr. Yair Adato, CEO en oprichter van Bria, is een expert in machine learning en computer vision die erkend wordt om zijn vermogen om geavanceerde technologie te combineren met real-world business toepassingen. Voordat hij Bria oprichtte, was hij CTO van Trax Retail, waar hij een centrale rol speelde in de transformatie van het bedrijf van een startup met 20 personen naar een wereldwijde unicorn met meer dan 850 medewerkers. Gedurende zijn carrière heeft Yair ook als adviseur bijgedragen aan verschillende AI-gedreven ondernemingen, waaronder Sparx, Vicomi, Tasq, DataGen en Anima. Zijn leiderschap wordt gekenmerkt door een sterke toewijding aan verantwoorde innovatie, gegevensbezit en de democratisering van AI-technologie.

Bria is een pionier in het veld van verantwoorde visuele generatieve AI, opgericht met de missie om een open en ethisch platform voor beeldgeneratie te creëren. Het unieke benadering van het bedrijf beloont gegevensbezitters voor hun bijdragen via een attributiemotor, waardoor transparantie en eerlijkheid in de AI-ecosysteem worden gewaarborgd. Door zich te richten op creativiteit, samenwerking en compliance, machtigt Bria organisaties om generatieve AI veilig in hun workflows te integreren en stelt het nieuwe normen voor verantwoordelijkheid en vertrouwen in de visuele inhoudsindustrie..

U heeft Bria opgericht om een verantwoord en open platform voor visuele generatieve AI te creëren. Wat inspireerde u om het bedrijf te starten, en welke vroege uitdagingen of inzichten hebben de richting van het bedrijf bepaald?

Ik zag Goodfellow de GAN-papier presenteren in 2014, en het was meteen duidelijk dat creatieve productie fundamenteel zou veranderen. Toen ik die presentatie zag, waren de implicaties overduidelijk—dit was geen incrementele verbetering, maar een andere paradigma voor hoe machines konden leren om visuele inhoud te genereren.

Maar vanaf het begin, erkende ik een fundamentele kloof in hoe deze systemen werden gebouwd: geen verantwoordelijkheid voor trainingsgegevens, geen kader voor verantwoorde inzet, geen overweging voor de makers wiens werk het allemaal mogelijk maakte.

De vroege uitdagingen waren niet technisch—ze waren structureel. Hoe bouw je generatieve AI die creatief werk versterkt zonder de mensen die het creëren te ondermijnen? Hoe maak je deze systemen bruikbaar in productieomgevingen waar juridische zekerheid even belangrijk is als uitvoeringskwaliteit? Die vragen hebben alles bepaald wat we hebben gebouwd. We hebben Bria opgericht op het principe dat innovatie en verantwoordelijkheid niet tegenstrijdige krachten zijn—ze moeten samen vooruitgaan, of technologie faalt iedereen.

Uw academische achtergrond in computer vision en uw 50+ octrooien verbinden onderzoek en real-world innovatie. Hoe heeft die ervaring Bria’s technische roadmap en langetermijnstrategie beïnvloed?

Mijn onderzoeksachtergrond heeft me geleerd om in systemen te denken—hoe verschillende lagen van begrip met elkaar verbinden om betekenis te vormen. Veel van mijn octrooien richten zich op hoe machines de structuur van visuele informatie interpreteren, en die mindset is van nature vertaald naar Bria’s benadering. We kijken naar beeldgeneratie als een compositieproces, niet als een willekeurig proces.

Maar de octrooien gaan niet alleen over technologie—ze gaan over het verbinden van technologie met de zakelijke realiteit. Een aanzienlijk deel van ons IP-portefeuille richt zich op het systeemlaag: hoe creëer je attributieframeworks die gegenereerde inhoud terugkoppelen naar hun trainingsbronnen? Hoe bouw je economische modellen die makers op grote schaal compenseren? Dit zijn geen zuiver technische problemen—het zijn vragen van infrastructuur, bedrijfsmodellen en marktontwerp.

Die bredere visie heeft onze langetermijnstrategie bepaald. Innovatie gaat niet alleen over het verbeteren van de onderliggende modellen. Het gaat over het creëren van nieuwe economische structuren, nieuwe contractuele kaders, nieuwe manieren voor de industrie om duurzaam te opereren. Het doel is niet alleen om betere resultaten te produceren—het is om te begrijpen hoe die resultaten worden gevormd, wie eraan heeft bijgedragen en hoe waarde door het systeem stroomt. Dat is waar wetenschap ontmoet productdenken ontmoet bedrijfsarchitectuur.

Bria heeft onlangs FIBO aangekondigd, beschreven als de werelds eerste deterministische visuele foundation model voor professionele AI-generatie. Wat maakt FIBO fundamenteel anders dan bestaande visuele AI-systemen?

De naam zelf signaleert onze benadering: FIBO staat voor Fibonacci, de wiskundige sequentie die beroemd is om zijn inherente esthetische eigenschappen. De gouden verhouding—de verhouding tussen opeenvolgende getallen in de Fibonacci-sequentie—komt naar voren in wat we als visueel aantrekkelijke verhoudingen waarnemen in wiskunde, visuele kunst, geometrie en architectuur. Je ziet het in de afmetingen van het Romeinse Pantheon en het Witte Huis, in het menselijk lichaam en gezicht zoals geïllustreerd in Leonardo da Vinci’s Vitruviusman, en in natuurlijke vormen. Die verbinding tussen wiskundige structuur en visuele schoonheid is precies wat FIBO belichaamt: esthetische kwaliteit door formele structuur.

FIBO verandert de relatie tussen intentie en uitvoer. De meeste visuele AI-systemen voegen lagen van interpretatie toe tussen wat je wilt en wat je krijgt—je schrijft een prompt, het model vertaalt het via taalencoders, verspreidt het via ruis, en je hoopt dat het resultaat overeenkomt met je visie. FIBO verwijdert die lagen volledig.

We hebben visuele AI laten werken als code—elk creatief element wordt bewerkbaar en herhaalbaar. Dat is een doorbraak voor professionals die vastzaten met prompt-roulette.. Dit betekent dat elk element, lichtintensiteit, camerahoek, kleurenpalet, compositie, stijl bestaat als een expliciete, controleerbare eigenschap. De JSON-structuur laat je toe om alleen de parameters te wijzigen die je wilt, terwijl alle anderen worden geblokkeerd. Je kunt lichtintensiteit aanpassen zonder compositie te beïnvloeden, of camerahoek verplaatsen zonder kleurenpalet te wijzigen. Het systeem doet precies wat je specificeert, elke keer.

We organiseren hackathons met Fal en NVIDIA om ontwikkelaars te laten zien hoe deterministische generatie in de praktijk werkt. De JSON-structuur zelf opent de black box—je kunt precies zien welke parameters een beeld hebben gecreëerd, het reproduceren en met precisie wijzigen. Het is een compleet ander paradigma dan prompt-engineering.

Traditionele tekst-naar-beeld-systemen vertrouwen op steeds ingewikkeldere prompts om specifieke resultaten te bereiken. Hoe lost FIBO’s benadering het prompt-complexiteitsprobleem op?

Twee problemen moeten worden aangepakt. Ten eerste bestaan prompt-willekeur-problemen omdat huidige modellen proberen om gebruikersintentie te extraheren en toe te voegen wat het model “denkt” dat esthetisch of wenselijk is via prompt-verrijking. Ten tweede, gebrek aan controle over professionele eigenschappen

FIBO keert dit om. Het model is getraind op meer dan 1.000-woord visuele beschrijvingen per beeld die expliciet meer dan 100 onafhankelijke attributen in JSON-formaat coderen. Dit was niet nadien verwerkt of geëxtraheerd—het was het native trainingsformaat. Omdat elk attribuut structureel vanaf het begin wordt weergegeven, heeft het model visuele compositie geleerd als een set discrete, controleerbare parameters in plaats van als een vage interpretatie van tekst.

Wat dit in de praktijk betekent: je definieert esthetische intentie via structuur, niet via “prompt en bid”. Het niveau van tekst-naar-beeld-overeenstemming is fundamenteel hoger omdat er geen vertalingslaag is. Je spreekt de native taal van het model. En omdat eigenschappen onafhankelijk zijn, kun je lichtintensiteit aanpassen zonder compositie te beïnvloeden, of kleurenpalet aanpassen zonder stijl te beïnvloeden. De controle is chirurgisch.

FIBO introduceert een “refine”-workflow die anders is dan typische iteratieve generatie. Hoe verandert dit de manier waarop professionals visuele productie benaderen?

De meeste generatieve workflows zijn iteratief op een frustrerende manier—je genereert, evalueert, past je prompt aan, genereert opnieuw, hoopt dat het dichter bij de waarheid komt. dit “prompt en bid”. Je weet nooit precies wat veranderd is of waarom.

Refine verandert experimenten in ontwerp. Je bent niet aan het gokken wat een nieuwe prompt zou doen—je stuurt het beeld, exact zoals je licht of kleur in Photoshop zou afstemmen. . Je hoeft niet direct op het JSON-niveau te werken—aangezien een vision-language model het JSON voor je aanpast op basis van natuurlijke taalinstructies. Maar het JSON zelf laat je toe om precies te begrijpen wat er gebeurd is. Je genereert een initiële afbeelding, onderzoekt de JSON-weergave, identificeert welke eigenschappen aangepast moeten worden—misschien is de lichtintensiteit te hoog, of moet de camerahoek 15 graden verschuiven—and je past alleen die waarden aan via eenvoudige instructies. Alles anders blijft geblokkeerd.

Deze structuur is perfect voor agente-workflows. Een AI-agent kan de JSON analyseren, de complete staat van het beeld begrijpen, gerichte aanpassingen maken en zijn redenering uitleggen—all omdat de parameters expliciet en interpreteerbaar zijn. De agent gokt niet wat een promptwijziging zou doen; het maakt precieze aanpassingen aan bekende eigenschappen.

Dit verwijdert de onvoorspelbaarheid die professionals heeft laten twijfelen aan generatieve AI. Wanneer je de complete parameterset kunt zien die een beeld heeft gecreëerd, begrijpen wat elke eigenschap controleert en individuele attributen met vertrouwen kunt aanpassen zonder dat iets anders zal afwijken, ben je niet langer aan het experimenteren—je bent aan het ontwerpen. De JSON-zichtbaarheid opent de black box volledig. Voor professionele productieworkflows waar consistentie en controle meer tellen dan nieuwheid, is dit het verschil tussen een creatief speeltje en een productietool.

Gegevensethiek en merkbveiligheid zijn centraal geworden in enterprise AI. Hoe zorgt Bria’s gebruik van volledig gelicenceerde, rechtenvrije gegevens voor zowel compliance als respect voor makers’ IP?

Vanaf de eerste dag hebben we besloten dat als de industrie verantwoordelijk wilde groeien, het moest beginnen met gegevensintegriteit. Elk beeld dat FIBO heeft getraind, komt van gelicenceerde, rechtenvrije bronnen via partnerschappen met contentleiders zoals Getty Images en Envato. Dit garandeert dat onze modellen compliant en eerlijk zijn. We zien respect voor makers als onderdeel van de waardeketen, niet als een beperking. Ondernemingen profiteren van die integriteit omdat het hen de juridische en ethische zekerheid geeft die ze nodig hebben om met vertrouwen te schalen.

FIBO is getraind om elke unieke bedrijfsstijl en identiteit te leren. Hoe verandert deze capaciteit de manier waarop globale merken contentcreatie en visuele consistentie benaderen?

Merken hebben hun eigen visuele DNA—aangezien een unieke manier van emotie, vertrouwen en doel uitdrukken via ontwerp. FIBO kan die taal leren. Zodra het getraind is, genereert het visuals die de same compositie, toon en sfeer weerspiegelen die een merks identiteit definiëren. Dit verandert AI van een creatief assistent in een merkactiva. Het helpt globale teams om met uitlijning te creëren, niet met benadering. Het resultaat is consistentie op grote schaal zonder individualiteit te verliezen.

Met vroege aanvaarders die FIBO al gebruiken om verpakkingontwerp, productbeelden en creatieve campagnes te automatiseren, welke resultaten of feedback hebben u het meest getroffen tot nu toe?

De verschuiving in mentaliteit. Teams beginnen AI te behandelen als onderdeel van hun operationele gereedschapskist, niet als een nieuwheid. Een wereldwijd merk genereert regionale verpakkingsvarianten veel sneller terwijl het de merksconsistentie behoudt. Een toonaangevend creatief bureau heeft campagneontwikkeling met een factor 10 versneld via gecontroleerde iteratie. Maar het echte signaal komt van creatieve directeuren die ons vertellen dat ze zich meer in controle voelen; dat het model hun visuele intentie begrijpt. Dat is een keerpunt voor de industrie.

Bria positioneert zich als leider in ethische en controleerbare AI. Hoe ziet u deze filosofie de toekomstige regelgeving of industrienormen voor visuele AI vormgeven?

We zijn een stadium bereikt waar innovatie en governance samen moeten gaan. Regulering is geen obstakel, maar eerder de infrastructuur voor duurzame groei. Onze benadering — transparante gegevens, deterministische uitvoer, duidelijke herkomst — sluit nauw aan bij wat opkomende beleidsmaatregelen vragen. Ik geloof dat we nieuwe normen zullen zien die prioriteit geven aan traceerbaarheid, verklarbaarheid en rechtenbescherming. Bria’s filosofie is om die normen te helpen definiëren via praktijk, niet via beleidsverklaringen.

Kijkend naar de toekomst, wat is het volgende voor Bria na FIBO? Ziet u uitbreiding naar multimodale AI die beeld, video en 3D-generatie onder één controleerbare framework verenigt?

Ja. De principes die FIBO aandrijven—structuur, controle, transparantie—gelden voor alle visuele domeinen. We onderzoeken al uitbreidingen naar video en 3D, waar determinisme dezelfde betrouwbaarheid kan brengen die ondernemingen nu hebben met beelden. Ons doel is eenvoudig: maak AI-creativiteit even controleerbaar en veilig als het schrijven van code—and breid dat uit naar elk visueel medium, van beeld tot video tot 3D.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Bria bezoeken op Bria.