Yonatan Geifman, CEO og medgrunnlegger av Deci – Intervju-serie

Yonatan Geifman er CEO og medgrunnlegger av Deci som transformerer AI-modeller til produksjonsklare løsninger på enhver maskinvare. Deci har blitt anerkjent som en teknologi-innovator for Edge AI av Gartner og inkludert i CB Insights’ AI 100-liste. Deres proprietære teknologi har satt nye rekorder på MLPerf med Intel.

Hva var det som først tiltalte deg til maskinlæring?

Fra en ung alder var jeg alltid fascinert av banebrytende teknologier – ikke bare å bruke dem, men virkelig å forstå hvordan de fungerer.

Dette livslange fascinasjonen åpnet veien for mine senere doktorgradsstudier i datavitenskap, der min forskning fokuserte på dype neurale nettverk (DNN). Etterhvert som jeg kom til å forstå denne kritiske teknologien i en akademisk sammenheng, begynte jeg virkelig å gripe hvordan AI kan positivt påvirke verden omkring oss. Fra smarte byer som kan overvåke trafikken og redusere ulykker, til autonome kjøretøy som krever liten eller ingen menneskelig inngripen, til livreddende medisinske enheter – det er uendelige anvendelser der AI kan forbedre samfunnet. Jeg visste alltid at jeg ville delta i den revolusjonen.

Kunne du dele opphavsfortellingen bak Deci AI?

Det er ikke vanskelig å erkjenne – som jeg gjorde da jeg var på skole for min doktorgrad – hvor nyttig AI kan være i ulike anvendelser. Likevel sliter mange bedrifter med å utnytte AI’s fulle potensiale, ettersom utviklere kontinuerlig møter en oppadgående kamp for å utvikle produksjonsklare dyplæringmodeller for distribusjon. Med andre ord er det fortsatt svært vanskelig å gjøre AI “produksjonsklar”.

Disse utfordringene kan i stor grad tilskrives AI-effektivitetsgapet som industrien står overfor. Algoritmene vokser eksponentielt mer kraftfulle og krever mer beregningskraft, men samtidig må de distribueres på en kostnadseffektiv måte, ofte på ressursbegrensede edge-enheter.

Mine medgrunnleggere, professor Ran El-Yaniv, Jonathan Elial og jeg, grunnla Deci for å møte denne utfordringen. Og vi gjorde det på den eneste måten vi så mulig – ved å bruke AI selv til å utforme den neste generasjonen av dyplæring. Vi omfavnet en algoritme-først-tilnærming, og arbeidet med å forbedre effikheten av AI-algoritmene i de tidlige fasene, noe som vil gi utviklere mulighet til å bygge og arbeide med modeller som leverer de høyeste nivåene av nøyaktighet og effisiens for enhver gitt inferensmaskinvare.

Dyplæring er i kjernen av Deci AI, kunne du definere det for oss?

Dyplæring, som maskinlæring, er en undergren av AI, som skal muliggjøre en ny æra av applikasjoner. Dyplæring er sterkt inspirert av hvordan det menneskelige hjernen er strukturert, noe som er grunn til at når vi diskuterer dyplæring, diskuterer vi “neurale nettverk”. Dette er svært relevant for edge-applikasjoner (tenk kameraer i smarte byer, sensorer på autonome kjøretøy, analytiske løsninger i helsevesenet) der lokale dyplæringmodeller er avgjørende for å generere slike innsikter i sanntid.

Hva er Neural Architecture Search?

Neural Architecture Search (NAS) er en teknologisk disiplin som retter seg mot å oppnå bedre dyplæringmodeller.

Googles pionerarbeid på NAS i 2017 hjalp til å bringe temaet inn i hovedstrømmen, i alle fall innen forskning og akademiske kretser.

Målet med NAS er å finne den beste neurale arkitekturen for et gitt problem. Det automatiserer designen av DNN, og sikrer høyere ytelse og lavere tap enn manuelt designede arkitekturer. Det innebærer en prosess hvor en algoritme søker blant en samlet rom av millioner av tilgjengelige modellarkitekturer, for å avgi en arkitektur som er unikt tilpasset å løse det spesifikke problemet. For å si det enkelt, det bruker AI til å designe ny AI, basert på de spesifikke behovene til et gitt prosjekt.

Det brukes av team til å forenkle utviklingsprosessen, redusere prøving og feil-iterasjoner, og sikre at de ender opp med den ultimate modellen som kan best tjene applikasjonens nøyaktighet og ytelsesmål.

Hva er noen av begrensningene ved Neural Architecture Search?

Tradisjonell NAS’ hovedbegrensninger er tilgjengelighet og skalerbarhet. NAS i dag brukes hovedsakelig i forskningsmiljøer og utføres vanligvis bare av teknologigigantene som Google (GOOGL ) og Facebook (META ), eller ved akademiske institusjoner som Stanford, ettersom tradisjonelle NAS-teknikker er kompliserte å utføre og krever mye beregningskraft.

Dette er grunn til at jeg er så stolt av våre prestasjoner i å utvikle Decis banebrytende AutoNAC (Automated Neural Architecture Construction) teknologi, som demokratiserer NAS og muliggjør at selskaper av alle størrelser kan enkelt bygge tilpassede modellarkitekturer med bedre enn statlig kunnskap og hastighet for sine applikasjoner.

Hvordan er læring av objektdeteksjon forskjellig basert på bildetype?

Overraskende nok påvirker bildedomænet ikke dramatisk treningsprosessen av objektdeteksjonsmodeller. Uansett om du søker etter en fotgjenger på gaten, en svulst i en medisinsk skanning eller et skjult våpen i et røntgenbilde tatt av flyplasssikkerhet, er prosessen omtrent den samme. Dataene som du bruker til å trene din modell må være representative for oppgaven, og modellstørrelsen og -strukturen kan være påvirket av størrelsen, formen og kompleksiteten av objekter i bildet.

Hvordan tilbyr Deci AI en heldekkende plattform for dyplæring?

Decis plattform muliggjør at utviklere kan bygge, trene og distribuere nøyaktige og raske dyplæringmodeller til produksjon. Ved å gjøre dette kan teamene utnytte den mest avanserte forskningen og ingeniørbest-praksisene med kun én kode-linje, forkorte tid til markedet fra måneder til noen uker, og garantere suksess i produksjon.

Du startet opprinnelig med et team på 6 personer, og nå betjener du store bedrifter. Kunne du diskutere selskapets vekst og noen av utfordringene du har møtt?

Vi er begeistret for veksten vi har oppnådd siden starten i 2019. Nå, over 50 ansatte, og over $55 millioner i finansiering til dags dato, er vi trygge på at vi kan fortsette å hjelpe utviklere å realisere og handle på AI’s sanne potensiale. Siden lanseringen har vi blitt inkludert på CB Insights’ AI 100, oppnådd banebrytende resultater, som vår familie av modeller som leverer gjennombrudd dyplæring-prestasjoner på CPU-er, og etablert meningsfulle samarbeid, inkludert med store navn som Intel.

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

Som jeg nevnte tidligere, fortsatt å være AI-effektivitetsgapet en stor hindring for AI-produktivering. “Shifting left” – å ta hensyn til produksjonsbegrensninger tidlig i utviklingslivssyklusen, reduserer tiden og kostnadene som brukes på å fikse potensielle hindringer når du distribuerer dyplæringmodeller i produksjon. Vår plattform har vist seg å være i stand til å gjøre nettopp det, ved å tilby selskaper verktøyene de trenger for å utvikle og distribuere verdensforandrende AI-løsninger.

Vårt mål er enkelt – å gjøre AI bredt tilgjengelig, rimelig og skalerbar.

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