Yonatan Geifman, CEO & Co-Founder van Deci – Interview Series

Yonatan Geifman is de CEO & Co-Founder van Deci dat AI-modellen omzet in productieklare oplossingen op elke hardware. Deci is erkend als een Tech Innovator voor Edge AI door Gartner en is opgenomen in de AI 100-lijst van CB Insights. De prestaties van hun eigen technologie hebben nieuwe records gevestigd bij MLPerf met Intel.

Wat trok je aanvankelijk aan tot machine learning?

Van jongs af aan was ik altijd gefascineerd door cutting edge-technologieën – niet alleen door het gebruik ervan, maar door echt te begrijpen hoe ze werken.

Deze levenslange fascinatie baande de weg naar mijn eventuele PhD-studies in computerwetenschappen, waar mijn onderzoek zich richtte op Deep Neural Networks (DNN’s). Toen ik deze kritieke technologie in een academische setting begon te begrijpen, begon ik echt te begrijpen hoe AI de wereld om ons heen positief kan beïnvloeden. Van slimme steden die het verkeer beter kunnen monitoren en ongevallen kunnen verminderen, tot autonome voertuigen die weinig tot geen menselijke interventie nodig hebben, tot levensreddende medische apparaten – er zijn eindeloze toepassingen waarbij AI de samenleving kan verbeteren. Ik wist altijd al dat ik deel wilde nemen aan die revolutie.

Kunt u het verhaal achter Deci AI delen?

Het is niet moeilijk om te herkennen – zoals ik deed toen ik op school was voor mijn PhD – hoe nuttig AI kan zijn in gebruikscases over de hele linie. Toch hebben veel ondernemingen moeite om het volledige potentieel van AI te benutten, omdat ontwikkelaars voortdurend een strijd moeten leveren om productieklare deep learning-modellen te ontwikkelen voor implementatie. Met andere woorden, het blijft super moeilijk om AI te productiseren.

Deze uitdagingen kunnen grotendeels worden toegeschreven aan de AI-efficiëntiegap die de industrie tegenkomt. Algoritmes worden exponentieel krachtiger en vereisen meer rekenkracht, maar tegelijkertijd moeten ze op een kostenefficiënte manier worden geïmplementeerd, vaak op resource-beperkte edge-apparaten.

Mijn mede-oprichters Prof. Ran El-Yaniv, Jonathan Elial en ik richtten Deci op om die uitdaging aan te pakken. En we deden het op de enige manier die we zagen als mogelijk – door AI zelf te gebruiken om de volgende generatie deep learning te creëren. We omarmden een algorithmic-first-benadering, waarbij we de effectiviteit van AI-algoritmes in de vroege stadia verbeterden, wat ontwikkelaars in staat zal stellen om modellen te bouwen en te werken met modellen die de hoogste niveaus van nauwkeurigheid en efficiëntie voor elke gegeven inferentiehardware leveren.

Diepe leercurve is de kern van Deci AI, kunt u het voor ons definiëren?

Diepe leercurve, net als machine learning, is een subveld van AI, bedoeld om een nieuwe era van toepassingen te empowermenten. Diepe leercurve wordt zwaar geïnspireerd door de manier waarop de menselijke hersenen zijn gestructureerd, waardoor we, wanneer we diepe leercurve bespreken, “neuronale netwerken” bespreken. Dit is super relevant voor edge-toepassingen (denk aan camera’s in slimme steden, sensoren op autonome voertuigen, analytische oplossingen in de gezondheidszorg) waarbij on-site diepe leercurve-modellen cruciaal zijn voor het genereren van dergelijke inzichten in real-time.

Wat is Neural Architecture Search?

Neural Architecture Search (NAS) is een technologisch discipline gericht op het verkrijgen van betere deep learning-modellen.

Het baanbrekende werk van Google op NAS in 2017 hielp het onderwerp in de mainstream te brengen, tenminste binnen onderzoeks- en academische kringen.

Het doel van NAS is om de beste neurale netwerkarchitectuur voor een bepaald probleem te vinden. Het automatiseert het ontwerpen van DNN’s, waardoor een hogere prestatie en lagere verliezen worden gegarandeerd dan handmatig ontworpen architectuur. Het omvat een proces waarbij een algoritme zoekt in een geaggregeerde ruimte van miljoenen beschikbare modelarchitectuur, om een architectuur te produceren die uniek is aangepast aan het oplossen van dat specifieke probleem. Om het simpel te zeggen, het gebruikt AI om nieuwe AI te ontwerpen, op basis van de specifieke behoeften van een bepaald project.

Het wordt gebruikt door teams om de ontwikkelingsprocedure te vereenvoudigen, het aantal trial-and-error-iteraties te verminderen en ervoor te zorgen dat ze uiteindelijk het ultieme model krijgen dat het beste kan dienen voor de nauwkeurigheid en prestatiedoelen van de toepassing.

Wat zijn enkele van de beperkingen van Neural Architecture Search?

De belangrijkste beperkingen van traditionele NAS zijn toegankelijkheid en schaalbaarheid. NAS wordt vandaag de dag voornamelijk gebruikt in onderzoeksomgevingen en wordt meestal alleen uitgevoerd door technologiebedrijven zoals Google en Facebook, of op academische instellingen zoals Stanford, omdat traditionele NAS-technieken moeilijk uit te voeren zijn en veel rekenkracht vereisen.

Daarom ben ik zo trots op onze prestaties bij het ontwikkelen van Deci’s baanbrekende AutoNAC (Automated Neural Architecture Construction)-technologie, die NAS democratiseert en bedrijven van alle maten in staat stelt om gemakkelijk aangepaste modelarchitectuur te bouwen met beter dan state-of-the-art-nauwkeurigheid en snelheid voor hun toepassingen.

Hoe verschilt het leren van objectdetectie op basis van het type afbeelding?

Verwonderlijk genoeg heeft het domein van de afbeeldingen geen dramatische invloed op het trainingsproces van objectdetectiemodellen. Of je nu op zoek bent naar een voetganger op straat, een tumor in een medische scan of een verborgen wapen in een röntgenfoto genomen door de luchthavenbeveiliging, het proces is vrijwel hetzelfde. De gegevens die je gebruikt om je model te trainen, moeten representatief zijn voor de taak die je uitvoert, en de grootte en structuur van het model kunnen worden beïnvloed door de grootte, vorm en complexiteit van de objecten in je afbeelding.

Hoe biedt Deci AI een end-to-end-platform voor diepe leercurve?

Deci’s platform empowerd ontwikkelaars om nauwkeurige en snelle diepe leercurve-modellen te bouwen, te trainen en te implementeren in productie. Hierdoor kunnen teams de meest cutting edge-onderzoek en engineeringbest practices benutten met één regel code, de tijd tot markt verkorten van maanden tot een paar weken en garanderen dat ze succesvol zijn in productie.

U bent begonnen met een team van 6 personen en u bedient nu grote ondernemingen. Kunt u de groei van het bedrijf bespreken en enkele van de uitdagingen die u hebt ondervonden?

We zijn verheugd over de groei die we hebben behaald sinds de start in 2019. Nu, met meer dan 50 medewerkers en meer dan $55 miljoen aan financiering tot nu toe, zijn we ervan overtuigd dat we ontwikkelaars kunnen blijven helpen om het ware potentieel van AI te realiseren en te activeren. Sinds de lancering zijn we opgenomen in de AI 100-lijst van CB Insights, hebben we baanbrekende prestaties geleverd, zoals onze familie van modellen die doorbraakprestaties van diepe leercurve op CPU’s leveren, en hebben we zinvolle samenwerkingen gesolidificeerd, waaronder met grote namen zoals Intel.

Is er nog iets anders dat u wilt delen over Deci AI?

Zoals ik eerder vermeldde, blijft de AI-efficiëntiegap een grote hindernis voor AI-productisatie. “Shifting left” – rekening houden met productiebeperkingen vroeg in de ontwikkelingscyclus – vermindert de tijd en kosten die worden besteed aan het oplossen van potentiële hindernissen bij het implementeren van diepe leercurve-modellen in productie verderop in de lijn. Ons platform heeft aangetoond in staat te zijn om dit te doen door bedrijven te voorzien van de tools die nodig zijn om succesvolle, wereldveranderende AI-oplossingen te ontwikkelen en te implementeren.

Ons doel is simpel – AI breed toegankelijk, betaalbaar en schaalbaar maken.

Dank u voor het geweldige interview, lezers die meer willen leren, moeten Deci bezoeken.