Yonatan Geifman, dyrektor generalny i współzałożyciel Deci – seria wywiadów

Yonatana Geifmana jest dyrektorem generalnym i współzałożycielem firmy Decy która przekształca modele AI w rozwiązania klasy produkcyjnej na dowolnym sprzęcie. Deci został uznany przez firmę Gartner za innowatora technologicznego w zakresie Edge AI i umieszczony na liście AI 100 CB Insights. Wydajność jego zastrzeżonej technologii ustanowiła nowe rekordy w MLPerf with Intel.

Co początkowo przyciągnęło Cię do uczenia maszynowego?

Od najmłodszych lat zawsze fascynowały mnie najnowocześniejsze technologie – nie tylko ich używanie, ale prawdziwe zrozumienie, jak działają.

Ta trwająca całe życie fascynacja utorowała drogę do moich ewentualnych studiów doktoranckich z informatyki, gdzie moje badania skupiały się na głębokich sieciach neuronowych (DNN). Kiedy zacząłem rozumieć tę kluczową technologię w środowisku akademickim, zacząłem naprawdę pojmować, w jaki sposób sztuczna inteligencja może pozytywnie wpłynąć na otaczający nas świat. Od inteligentnych miast, które mogą lepiej monitorować ruch i ograniczać liczbę wypadków, przez pojazdy autonomiczne, które wymagają niewielkiej lub żadnej interwencji człowieka, po urządzenia medyczne ratujące życie – istnieje niezliczona liczba zastosowań, w których sztuczna inteligencja może ulepszyć społeczeństwo. Zawsze wiedziałem, że chcę wziąć udział w tej rewolucji.

Czy mógłbyś podzielić się historią powstania Deci AI?

Nie jest trudno rozpoznać – tak jak zrobiłem to podczas studiów doktoranckich – jak korzystna sztuczna inteligencja może być w powszechnych przypadkach. Jednak wiele przedsiębiorstw ma trudności z wykorzystaniem pełnego potencjału sztucznej inteligencji, ponieważ programiści nieustannie toczą żmudną walkę o opracowanie gotowych do wdrożenia modeli głębokiego uczenia się do zastosowań produkcyjnych. Innymi słowy, stworzenie sztucznej inteligencji pozostaje niezwykle trudne.

Wyzwania te można w dużej mierze przypisać luce w wydajności sztucznej inteligencji, przed którą stoi branża. Algorytmy stają się wykładniczo coraz potężniejsze i wymagają większej mocy obliczeniowej, ale jednocześnie muszą być wdrażane w opłacalny sposób, często na urządzeniach brzegowych o ograniczonych zasobach.

Moi współzałożyciele, prof. Ran El-Yaniv, Jonathan Elial i ja jesteśmy współzałożycielami firmy Deci, aby stawić czoła temu wyzwaniu. Zrobiliśmy to w jedyny możliwy sposób, jaki uznaliśmy za możliwy – wykorzystując samą sztuczną inteligencję do opracowania nowej generacji głębokiego uczenia się. Przyjęliśmy podejście oparte na algorytmach, pracując nad poprawą skuteczności algorytmów sztucznej inteligencji na wcześniejszych etapach, co z kolei umożliwi programistom tworzenie modeli i pracę z nimi, które zapewniają najwyższy poziom dokładności i wydajności dla dowolnego sprzętu do wnioskowania.

Głębokie uczenie się jest podstawą Deci AI. Czy możesz nam to zdefiniować?

Głębokie uczenie się, podobnie jak uczenie maszynowe, to poddziedzina sztucznej inteligencji, która ma urzeczywistnić nową erę aplikacji. Głębokie uczenie się jest w dużej mierze inspirowane strukturą ludzkiego mózgu, dlatego też, gdy mówimy o głębokim uczeniu się, mówimy o „sieciach neuronowych”. Jest to niezwykle istotne w przypadku zastosowań brzegowych (kamery typu think w inteligentnych miastach, czujniki w pojazdach autonomicznych, rozwiązania analityczne w opiece zdrowotnej), gdzie modele głębokiego uczenia się na miejscu mają kluczowe znaczenie dla generowania takich spostrzeżeń w czasie rzeczywistym.

Co to jest wyszukiwanie architektury neuronowej?

Neural Architecture Search (NAS) to dyscyplina technologiczna mająca na celu uzyskanie lepszych modeli głębokiego uczenia się.

Pionierskie prace Google nad NAS w 2017 roku pomogły wprowadzić ten temat do głównego nurtu, przynajmniej w kręgach badawczych i akademickich.

Celem NAS jest znalezienie najlepszej architektury sieci neuronowej dla danego problemu. Automatyzuje projektowanie sieci DNN, zapewniając wyższą wydajność i niższe straty niż architektury projektowane ręcznie. Obejmuje proces, w ramach którego algorytm przeszukuje zagregowaną przestrzeń milionów dostępnych modeli arcuitecure, aby uzyskać architekturę wyjątkowo dostosowaną do rozwiązania tego konkretnego problemu. Krótko mówiąc, wykorzystuje sztuczną inteligencję do projektowania nowej sztucznej inteligencji w oparciu o konkretne potrzeby danego projektu.

Jest używany przez zespoły w celu uproszczenia procesu programowania, ograniczenia liczby iteracji prób i błędów oraz zapewnienia ostatecznego modelu, który najlepiej spełnia cele w zakresie dokładności i wydajności aplikacji.

Jakie są ograniczenia wyszukiwania architektury neuronowej?

Głównymi ograniczeniami tradycyjnych serwerów NAS są dostępność i skalowalność. Serwer NAS jest obecnie używany głównie w środowiskach badawczych i zazwyczaj jest realizowany wyłącznie przez gigantów technologicznych, takich jak Google i Facebook, lub w instytutach akademickich, takich jak Stanford, ponieważ tradycyjne techniki NAS są skomplikowane w wykonaniu i wymagają dużych zasobów obliczeniowych.

Dlatego jestem tak dumny z naszych osiągnięć w opracowywaniu przełomowej technologii Deci AutoNAC (Automated Neural Architecture Construction), która demokratyzuje serwery NAS i umożliwia firmom każdej wielkości łatwe budowanie niestandardowych architektur modeli z dokładnością lepszą niż najnowocześniejsza i prędkość dla swoich zastosowań.

Czym różni się wykrywanie sprzeciwu w nauce w zależności od typu obrazu?

Co zaskakujące, domena obrazów nie wpływa znacząco na proces uczenia modeli detekcji obiektów. Niezależnie od tego, czy szukasz pieszego na ulicy, guza podczas badania lekarskiego, czy ukrytej broni na zdjęciu rentgenowskim wykonanym przez ochronę lotniska, proces jest prawie taki sam. Dane używane do uczenia modelu muszą być reprezentatywne dla wykonywanego zadania, a na rozmiar i strukturę modelu może mieć wpływ rozmiar, kształt i złożoność obiektów na obrazie.

W jaki sposób Deci AI oferuje kompleksową platformę do głębokiego uczenia się?

Platforma Deci umożliwia programistom budowanie, trenowanie i wdrażanie dokładnych i szybkich modeli głębokiego uczenia się w środowisku produkcyjnym. W ten sposób zespoły mogą wykorzystać najnowocześniejsze najlepsze praktyki badawcze i inżynieryjne za pomocą jednego wiersza kodu, skrócić czas wprowadzenia produktu na rynek od miesięcy do kilku tygodni i zagwarantować sukces w produkcji.

Początkowo zaczynałeś z 6-osobowym zespołem, a teraz obsługujesz duże przedsiębiorstwa. Czy mógłbyś omówić rozwój firmy i niektóre wyzwania, przed którymi stałeś?

Jesteśmy podekscytowani wzrostem, jaki osiągnęliśmy od rozpoczęcia w 2019 r. Obecnie, zatrudniając ponad 50 pracowników i dysponując dotychczas środkami o wartości ponad 55 milionów dolarów, jesteśmy pewni, że możemy w dalszym ciągu pomagać programistom w realizowaniu prawdziwego potencjału sztucznej inteligencji i wykorzystywaniu jej. Od chwili uruchomienia jesteśmy uwzględnieni w AI 100 firmy CB Insights, dokonał przełomowych osiągnięć, takich jak nasza rodzina modeli, które zapewniają przełom Wydajność głębokiego uczenia się na procesorachi ugruntowała znaczącą współpracę, w tym z takimi nazwiskami jak Intel.

Czy jest coś jeszcze, czym chciałbyś się podzielić na temat Deci AI?

Jak wspomniałem wcześniej, luka w wydajności sztucznej inteligencji w dalszym ciągu powoduje główne przeszkody w jej produktywności. „Przesunięcie w lewo” – uwzględnienie ograniczeń produkcyjnych na początku cyklu rozwojowego, skraca czas i koszty poświęcone na usuwanie potencjalnych przeszkód podczas wdrażania modeli głębokiego uczenia się w produkcji w dalszej części linii. Nasza platforma udowodniła, że ​​jest w stanie to osiągnąć, zapewniając firmom narzędzia potrzebne do skutecznego opracowywania i wdrażania zmieniających świat rozwiązań AI.

Nasz cel jest prosty – uczynić sztuczną inteligencję powszechnie dostępną, przystępną cenowo i skalowalną.

Dziękuję za wspaniały wywiad. Czytelnicy chcący dowiedzieć się więcej powinni odwiedzić nas Decy.