Yashar Behzadi, de CEO van Synthesis AI – Interview Serie

Yashar Behzadi PhD is de CEO en oprichter van Synthesis AI. Hij is een ervaren ondernemer die transformatieve bedrijven heeft opgericht in AI, medische technologie en IoT-markten. Hij heeft de afgelopen 14 jaar in Silicon Valley doorgebracht met het opbouwen en schalen van data-gedreven technologiebedrijven. Yashar heeft meer dan 30 octrooien en aanvragen voor octrooien en een PhD van UCSD met een focus op ruimtelijk-temporele modellering van functionele hersenbeelden.

Synthesis AI is een startup op het snijvlak van diepe leerlingen en CGI, waardoor een nieuwe paradigma voor computer visie modelontwikkeling ontstaat. Zij stellen klanten in staat om betere modellen te ontwikkelen met een fractie van de tijd en kosten van traditionele benaderingen met menselijke annotatie.

Hoe bent u voor het eerst betrokken geraakt bij computerwetenschap en AI?

Ik behaalde een PhD van UCSD in 2006 met een focus op computer visie en ruimtelijk & temporele modellering van hersenbeelden. Vervolgens werkte ik in Silicon Valley op het snijvlak van sensoren, data en machine learning in verschillende industrieën gedurende de volgende 16 jaar. Ik voel me zeer gelukkig om de kans te hebben gehad om te werken aan enkele opmerkelijke technologieën, en ik heb meer dan 30 octrooien die zijn verleend of aangevraagd met een focus op signaalverwerking, machine learning en datawetenschap.

Kunt u het verhaal van de oorsprong van Synthesis AI delen?

Voordat ik Synthesis AI in 2019 oprichtte, leidde ik een wereldwijd AI-dienstbedrijf dat computer visie modellen ontwikkelde voor toonaangevende technologiebedrijven. Ongeacht de grootte van het bedrijf, ontdekte ik dat we extreem beperkt waren door de kwaliteit en hoeveelheid gelabelde trainingsdata. Toen bedrijven zich uitbreidden over de hele wereld, groeide hun klantenbestand of ontwikkelden ze nieuwe modellen en hardware, was nieuwe trainingsdata nodig om ervoor te zorgen dat modellen adequaat presteerden. Het werd ook duidelijk dat de toekomst van computer visie niet succesvol zou zijn met het huidige paradigma van menselijke annotatie. Nieuwe computer visie toepassingen in autonomie, robotica en AR/VR/metaverse toepassingen vereisen een rijke set van 3D labels, dieptinformatie, materiaaleigenschappen, gedetailleerde segmentatie, enz., die mensen niet kunnen annoteren. Een nieuw paradigma was nodig om de noodzakelijke rijke set van labels te bieden om deze nieuwe modellen te trainen. Naast technische drivers zagen we een toenemende consumenten- en regelgevende controle rondom ethische kwesties met betrekking tot modelbias en consumentenprivacy.

Ik richtte Synthesis AI op met het doel om het computer visie paradigma te transformeren. Het synthetische data-generatieplatform van het bedrijf maakt het mogelijk om fotorealistische beeldgegevens op aanvraag te genereren met een uitgebreide set van 3D pixel-perfecte labels. Onze missie is om synthetische datatechnologieën te pionieren om de ontwikkeling van meer capabele modellen mogelijk te maken.

Kunt u uitleggen wat synthetische data is voor lezers die niet bekend zijn met deze term?

Synthetische data is computer gegenereerde data die dient als alternatief voor data uit de echte wereld. Synthetische data wordt gegenereerd in gesimuleerde digitale werelden in plaats van verzameld of gemeten in de echte wereld. Door tools uit de wereld van visuele effecten en CGI te combineren met generatieve AI-modellen, maakt Synthesis AI het bedrijven mogelijk om grote hoeveelheden fotorealistische, diverse data op aanvraag te creëren om computer visie modellen te trainen. Het data-generatieplatform van het bedrijf vermindert de kosten en de tijd om hoge kwaliteit beeldgegevens te verkrijgen met een factor, terwijl de privacy behouden blijft.

Kunt u uitleggen hoe synthetische data wordt gegenereerd?

Een synthetische dataset wordt kunstmatig gegenereerd in plaats van door middel van data uit de echte wereld. Technologieën uit de visuele effectenindustrie worden gecombineerd met generatieve neurale netwerken om grote, diverse en fotorealistische gelabelde beeldgegevens te creëren. Synthetische data maakt het mogelijk om trainingsdata te creëren met een fractie van de kosten en de tijd van traditionele benaderingen.

Hoe creëert het gebruik van synthetische data een concurrentievoordeel?

Huidige AI-systemen gebruiken meestal ‘supervised learning’ waarbij mensen sleutelkenmerken in beelden annoteren en vervolgens AI-algoritmen trainen om beelden te interpreteren. Dit is een tijdrovend en kostbaar proces en is beperkt door wat mensen nauwkeurig kunnen annoteren. Bovendien zijn zorgen over AI-demografische bias en consumentenprivacy toegenomen, waardoor het steeds moeilijker wordt om representatieve humane data te verkrijgen.

Onze benadering is om fotorealistische digitale werelden te creëren die complexe beeldgegevens simuleren. Aangezien wij de data genereren, weten wij alles over de scènes, inclusief nooit eerder beschikbare informatie over de 3D-locatie van objecten en hun complexe interacties met elkaar en de omgeving. Het verkrijgen en annoteren van deze hoeveelheid data met traditionele benaderingen zou maanden, zo niet jaren, duren. Dit nieuwe paradigma zal een verbetering van 100 keer in efficiëntie en kosten mogelijk maken en een nieuwe klasse van meer capabele modellen aandrijven.

Aangezien synthetische data kunstmatig wordt gegenereerd, elimineert dit veel biases en privacyproblemen die traditioneel optreden bij het verzamelen van data uit de echte wereld.

Hoe maakt het genereren van data op aanvraag een versnelde schaalbaarheid mogelijk?

Het vastleggen en voorbereiden van data uit de echte wereld voor modeltraining is een lang en omslachtig proces. Het inzetten van de benodigde hardware kan prohibitief duur zijn voor complexe computer visie systemen zoals autonome voertuigen, robotica of satellietbeelden. Zodra de data is vastgelegd, annoteren en labelen mensen essentiële kenmerken. Dit proces is onderhevig aan fouten en mensen zijn beperkt in hun vermogen om sleutelinformatie te annoteren, zoals de 3D-positie die nodig is voor veel toepassingen.

Synthetische data is oneindig veel sneller en goedkoper dan traditionele benaderingen met menselijke annotatie en zal de implementatie van nieuwe en meer capabele modellen in verschillende industrieën versnellen.

Hoe maakt synthetische data het mogelijk om AI-bias te verminderen of te voorkomen?

AI-systemen zijn overal aanwezig, maar kunnen inherente biases bevatten die bepaalde groepen mensen kunnen beïnvloeden. Datasets kunnen onevenwichtig zijn met bepaalde klassen van data en of over- of ondervertegenwoordigde groepen mensen. Het bouwen van mensgerichte systemen kan vaak leiden tot biases op basis van geslacht, etniciteit en leeftijd. In tegenstelling tot door mensen gegenereerde trainingsdata is ontwerp-generateerde trainingsdata goed gebalanceerd en mist menselijke biases.

Synthetische data kan een robuuste oplossing worden voor het oplossen van het AI-biasprobleem. Synthetische data wordt gedeeltelijk of volledig kunstmatig gegenereerd in plaats van gemeten of geëxtraheerd uit echte gebeurtenissen of fenomenen. Als de dataset niet divers of groot genoeg is, kan AI-generateerde data de gaten opvullen en een onbevooroordeelde dataset vormen. Het beste deel? Het handmatig creëren van deze datasets kan teams verschillende maanden of jaren kosten. Wanneer ontworpen met synthetische data, kan dit ‘s nachts worden gedaan.

Buiten computer visie, wat zijn enkele toekomstige potentiële use cases voor synthetische data?

Naast de vele computer visie-toepassingen die verband houden met consumentenproducten, autonomie, robotica, AR/VR/metaverse en meer, zal synthetische data ook andere data-modi beïnvloeden. We zien al bedrijven die synthetische data-benaderingen gebruiken voor gestructureerde tabelgegevens, spraak en natuurlijke taalverwerking. De onderliggende technologieën en generatiepijpleidingen verschillen voor elke modus en in de nabije toekomst verwachten we multi-modale systemen (bijv. video + spraak) te zien.

Is er nog iets anders dat u zou willen delen over Synthesis AI?

Laatst hebben we HumanAPI uitgebracht, een significante uitbreiding van de synthetische data-mogelijkheden van Synthesis AI, waardoor het programmatisch genereren van miljoenen unieke, hoge kwaliteit 3D-digitale mensen mogelijk wordt. Deze aankondiging komt maanden na de lancering van het FaceAPI-synthetische data-as-a-service-product, dat meer dan 10 miljoen gelabelde gezichtsbeelden heeft geleverd voor toonaangevende smartphone-, teleconferencing-, automobielfabrikanten en technologiebedrijven. HumanAPI is de volgende stap in de reis van het bedrijf om geavanceerde computer visie AI-toepassingen te ondersteunen.

HumanAPI biedt ook een groot aantal nieuwe kansen voor onze klanten, waaronder slimme AI-assistenten, virtuele fitnesscoaches en natuurlijk de wereld van metaverse-toepassingen.

Door een digitale tweeling van de echte wereld te creëren, zal de metaverse nieuwe toepassingen mogelijk maken, variërend van herontworpen sociale netwerken, entertainmentervaringen, teleconferencing, gaming en meer. Computer visie AI zal fundamenteel zijn voor hoe de echte wereld wordt vastgelegd en gereconstrueerd met hoge kwaliteit in de digitale wereld. Fotorealistische, expressieve en gedragsmatig nauwkeurige mensen zullen een essentieel onderdeel zijn van de toekomst van computer visie toepassingen. HumanAPI is het eerste product dat bedrijven in staat stelt om grote hoeveelheden perfect gelabelde gegevens op aanvraag te creëren om meer capabele AI-modellen te bouwen, waaronder pose-estimatie, emotieherkenning, activiteit- en gedragskarakterisatie, gezichtsreconstructie en meer.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Synthesis AI bezoeken.