Yashar Behzadi, administrerende direktør i Synthesis AI – Intervju-serie

Yashar Behzadi PhD er administrerende direktør og grunnlegger av Synthesis AI. Han er en erfaren entrepreneur som har bygget transformative bedrifter i AI, medisinteknologi og IoT-markeder. Han har tilbragt de siste 14 årene i Silicon Valley med å bygge og skale data-sentriske teknologiselskaper. Yashar har over 30 patenter og patenter under behandling og en Ph.D. fra UCSD med fokus på rom- og tidsmodellering av funksjonell hjernebilde.

Synthesis AI er en startup på grensen mellom dyp læring og CGI, som skaper en ny paradigme for utvikling av datamodeller for computerseing. De muliggjør at kundene kan utvikle bedre modeller til en brøkdel av tiden og kostnadene sammenlignet med tradisjonelle menneske-baserte annoteringsmetoder.

Hvordan ble du først involvert i datavitenskap og AI?

Jeg tok en Ph.D. fra UCSD i 2006 med fokus på computerseing og rom- og tidsmodellering av hjernebilder. Deretter arbeidet jeg i Silicon Valley på grensen mellom sensorer, data og maskinlæring over flere bransjer i de neste 16 årene. Jeg føler meg svært heldig å ha hatt muligheten til å arbeide med noen bemerkelsesverdige teknologier, og jeg har over 30 patenter tatt ut eller søkt om fokusert på signalbehandling, maskinlæring og data-vitenskap.

Kan du dele historien om opphavet til Synthesis AI?

Før jeg grunnla Synthesis AI i 2019, ledet jeg et globalt AI-tjenesteselskap som utviklet computerseingsmodeller for ledende teknologiselskaper. Uansett selskapets størrelse, fant jeg at vi var ekstremt begrenset av kvaliteten og mengden av merket treningdata. Når selskapene utvidet geografisk, økte kundebasen eller utviklet nye modeller og nytt hårdtvar, var det nødvendig å ha ny treningdata for å sikre at modellene fungerte tilfredsstillende. Det ble også klart at fremtiden for computerseing ikke ville være suksessfull med dagens menneske-baserte annoteringsparadigme. Fremtidige computerseingsapplikasjoner i autonomi, robotikk og AR/VR/metaverse-applikasjoner krever en rik samling av 3D-merker, dybdeinformasjon, materialeegenskaper, detaljert segmentering osv., som mennesker ikke kan merke. Et nytt paradigme var nødvendig for å gi de nødvendige rike merkene for å trene disse nye modellene. I tillegg til tekniske drivere, så vi økende forbruker- og regulatorisk skråning rundt etiske problemer relatert til modellforvrengning og forbrukerprivatliv.

Jeg etablerte Synthesis AI med det formålet å transformere computerseingsparadigmet. Selskapets syntetisk data-genereringsplattform muliggjør generering av fotorealistiske bilde-data med en utvidet samling av 3D-piksel-perfekte merker. Vår misjon er å bane vei for syntetisk data-teknologier som tillater den etiske utviklingen av mer kapable modeller.

For lesere som er ukyndige i denne betegnelsen, kan du definere hva syntetisk data er?

Syntetisk data er datagenerert data som er en alternativ til virkelige verdensdata. Syntetisk data er skapt i simulerende digitale verdener heller enn samlet inn fra eller målt i den virkelige verden. Ved å kombinere verktøy fra den visuelle effektverden og CGI med generative AI-modeller, muliggjør Synthesis AI at selskaper kan skape store mengder fotorealistiske, diverse data på forespørsel for å trene computerseingsmodeller. Selskapets data-genereringsplattform reduserer kostnaden og hastigheten for å få høykvalitets bilde-data med flere størrelsesordener samtidig som privatlivet bevares.

Kan du diskutere hvordan syntetisk data genereres?

En syntetisk datasamling er skapt kunstig heller enn gjennom virkelige verdensdata. Teknologier fra den visuelle effektindustrien er koblet med generative neurale nettverk for å skape store, diverse og fotorealistiske merkte bilde-data. Syntetisk data muliggjør å skape treningdata til en brøkdel av kostnaden og tiden sammenlignet med nåværende menneske-baserte annoteringsmetoder.

Hvordan skaper utnyttelsen av syntetisk data en konkurransefordel?

For tiden bruker de fleste AI-systemer “overvåket læring” hvor mennesker merker nøkkelattributter i bilder og deretter trener AI-algoritmer for å tolke bilder. Dette er en ressurs- og tidkrevende prosess og er begrenset av hva mennesker kan merke nøyaktig. I tillegg har bekymringer om AI-demografisk forvrengning og forbrukerprivatliv økt, og det er blitt vanskeligere å få representativt menneskelig data.

Vår tilnærming er å skape fotorealistiske digitale verdener som syntetiserer komplekse bilde-data. Siden vi genererer dataene, vet vi alt om scenene, inkludert tidligere utilgjengelig informasjon om 3D-plasseringen av objekter og deres komplekse interaksjoner med hverandre og miljøet. Å skaffe og merke denne mengden data med nåværende metoder ville ta måneder, hvis ikke år. Dette nye paradigmet vil muliggjøre en 100-ganger forbedring av effektivitet og kostnad og drive en ny klasse mer kapable modeller.

Ettersom syntetisk data genereres kunstig, eliminerer dette mange forvrengninger og privatlivsproblemer forbundet med tradisjonell innsamling av data fra den virkelige verden.

Hvordan muliggjør på forespørsel data-generering akselerert skaling?

Å fange og forberede virkelige verdensdata for modelltrening er en lang og kjedelig prosess. Å deployere nødvendig hårdtvar kan være prohibitivt dyrt for kompliserte computerseingsystemer som autonome kjøretøy, robotikk eller satellittbilder. Når dataene er fanget, merker og annoterer mennesker essensielle funksjoner. Denne prosessen er utsatt for feil, og mennesker er begrenset i deres evne til å merke nøkkelinformasjon som 3D-plasseringen som kreves for mange applikasjoner.

Syntetisk data er flere størrelsesordener raskere og billigere enn tradisjonelle menneske-merkede virkelige data-tilnærming og vil komme til å akselerere utrullingen av nye og mer kapable modeller over industrier.

Hvordan muliggjør syntetisk data en reduksjon eller forebygging av AI-forvrengning?

AI-systemer er alltid til stede, men kan inneholde innebygde forvrengninger som kan påvirke grupper av mennesker. Datamengder kan være ubalanserte med bestemte klasser av data og enten over- eller underrepresenterte grupper av mennesker. Bygging av menneske-sentriske systemer kan ofte føre til kjønns-, etniske og aldersforvrengninger. I motsetning er design-generert treningdata ordentlig balansert og mangler menneskelig forvrengning.

Syntetisk data kan bli en robust løsning for å løse AI-forvrengningsproblemet. Syntetisk data genereres delvis eller fullstendig kunstig heller enn målt eller trukket fra virkelige verdenshendelser eller fenomener. Hvis datamengden ikke er divers eller stor nok, kan AI-generert data fylle hullene og danne en ubiasert datamengde. Det beste er at manuelt å lage disse datamengdene kan ta lag flere måneder eller år å fullføre. Når de er designet med syntetisk data, kan det gjøres over natten.

Utenfor computerseing, hva er noen fremtidige andre potensielle bruksområder for syntetisk data?

I tillegg til de mange computerseingsapplikasjonene relatert til forbrukerprodukter, autonomi, robotikk, AR/VR/metaverse og mer, vil syntetisk data også påvirke andre data-modaliteter. Vi ser allerede selskaper som utnytter syntetisk data-tilnærming for strukturert tabellformet data, tale og naturlig språkbehandling. De underliggende teknologiene og genereringspipelinene forskjeller for hver modalitet, og i den nære fremtiden forventer vi å se multi-modale systemer (f.eks. video + tale).

Er det noe annet du ønsker å dele om Synthesis AI?

Sent i fjor lanserte vi HumanAPI, en betydelig utvidelse av Synthesis AI sine syntetiske data-kapasiteter som muliggjør programmeringsgenerering av millioner av unike, høykvalitets 3D-digitale mennesker. Denne annonseringen kommer måneder etter lanseringen av FaceAPI syntetisk data-til-tjeneste-produktet, som har levert over 10 millioner merket ansiktsbilder for ledende smartphone-, videokonferanse-, bil- og teknologiselskaper. HumanAPI er neste skritt i selskapets reise for å støtte avanserte computerseings kunstig intelligens-applikasjoner.

HumanAPI åpner også opp for en rekke nye muligheter for våre kunder, inkludert smarte AI-assistenter, virtuelle treningstrener og selvsagt metaverse-applikasjoner.

Ved å skape en digital kopi av den virkelige verden, vil metaverse muliggjøre nye applikasjoner som omfatter gjenoppfunnet sosiale nettverk, underholdningserfaringer, videokonferanser, spill og mer. Computerseings AI vil være grunnleggende for hvordan den virkelige verden blir fanget og gjenskapt med høy trofasthet i den digitale verden. Fotorealistiske, uttrykksfulle og atferdsmessig nøyaktige mennesker vil være en essensiell komponent i fremtiden for computerseingsapplikasjoner. HumanAPI er det første produktet som muliggjør at selskaper kan skape store mengder perfekt merket helkroppsdata på forespørsel for å bygge mer kapable AI-modeller, inkludert posisjonsestimering, emosjonsgjenkjenning, aktivitet- og atferdskarakterisering, ansiktsrekonstruksjon og mer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Synthesis AI.