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

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 zijn 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 ze te gebruiken, maar echt te begrijpen hoe ze werken.

Deze levenslange fascinatie leidde uiteindelijk tot mijn 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 voorkomen, 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.

Kun je het verhaal achter Deci AI delen?

Het is niet moeilijk om te erkennen – zoals ik deed toen ik op de universiteit zat voor mijn PhD – hoe nuttig AI kan zijn in allerlei use cases. Toch hebben veel ondernemingen moeite om het volledige potentieel van AI te benutten, omdat ontwikkelaars voortdurend een strijd moeten leveren om productieklare diepe leermodellen 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 diepe leermodellen te creëren. We omarmden een algoritme-georiënteerde aanpak, waarbij we werkten aan het verbeteren van de effectiviteit van AI-algoritmes in de vroegere stadia, wat ontwikkelaars in staat zou stellen om modellen te bouwen en te werken met de hoogste niveaus van nauwkeurigheid en efficiëntie voor elke gegeven inferentiehardware.

Kun je diepe leertheorie voor ons definiëren?

Diepe leertheorie, net als machine learning, is een subveld van AI dat een nieuwe generatie toepassingen mogelijk maakt. Diepe leertheorie is sterk geïnspireerd door de manier waarop de menselijke hersenen zijn gestructureerd, waardoor we het over “neuronale netwerken” hebben als we diepe leertheorie 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 lokale diepe leermodellen cruciaal zijn voor het genereren van dergelijke inzichten in real-time.

Wat is Neurale Architectuur Zoekopdracht?

Neurale Architectuur Zoekopdracht (NAS) is een technologisch vakgebied dat gericht is op het verkrijgen van betere diepe leermodellen.

Google’s (GOOGL ) baanbrekende werk 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 hogere prestaties en lagere verliezen worden gegarandeerd dan handmatig ontworpen architectuur. Het omvat een proces waarbij een algoritme zoekt in een geaggregeerde ruimte van miljoenen beschikbare modelarchitecturen 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 het ontwikkelingsproces te vereenvoudigen, het aantal trial-and-error-iteraties te verminderen en ervoor te zorgen dat ze eindigen met het ultieme model dat het beste kan dienen voor de doelstellingen van de toepassing in termen van nauwkeurigheid en prestaties.

Wat zijn enkele beperkingen van Neurale Architectuur Zoekopdracht?

De traditionele NAS heeft voornamelijk beperkingen op het gebied van toegankelijkheid en schaalbaarheid. NAS wordt vandaag voornamelijk gebruikt in onderzoeksomgevingen en wordt meestal alleen uitgevoerd door technologiebedrijven zoals Google en Facebook (META ), of op academische instellingen zoals Stanford, omdat traditionele NAS-technieken moeilijk zijn om uit te voeren 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 elke omvang in staat stelt om gemakkelijk aangepaste modelarchitecturen te bouwen met beter dan state-of-the-art-nauwkeurigheid en snelheid voor hun toepassingen.

Hoe verschilt het leren van objectdetectie op basis van beeldtype?

Verwonderlijk genoeg heeft het domein van de beelden 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 beeld.

Hoe biedt Deci AI een eind-tot-eind-platform voor diepe leertheorie?

Deci’s platform stelt ontwikkelaars in staat om nauwkeurige en snelle diepe leermodellen te bouwen, te trainen en te implementeren in productie. Door dit te doen kunnen teams profiteren van de meest geavanceerde onderzoeks- en engineeringsbest practices met één regel code, de tijd tot markt verkorten van maanden tot een paar weken en garanderen dat ze succesvol zijn in productie.

Je begon oorspronkelijk met een team van 6 personen en je bedient nu grote ondernemingen. Kun je de groei van het bedrijf bespreken en enkele van de uitdagingen die je 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 kunnen blijven helpen om ontwikkelaars te laten zien en te laten handelen naar het ware potentieel van AI. Sinds de lancering zijn we opgenomen in de CB Insights’ AI 100, hebben we baanbrekende prestaties geleverd, zoals onze familie van modellen die doorbraakprestaties leveren op CPUs, en hebben we belangrijke samenwerkingen gesolideerd, waaronder met grote namen zoals Intel.

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

Zoals ik eerder al zei, blijft de AI-efficiëntiegap een belangrijke hindernis voor de productisering van AI. “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 leermodellen in productie verderop in de lijn. Ons platform heeft aangetoond dat het in staat is om dat te doen door bedrijven te voorzien van de tools die nodig zijn om wereldveranderende AI-oplossingen met succes te ontwikkelen en te implementeren.

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

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