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

Yonatan Geifman jest CEO & Co-Founder of Deci która przekształca modele AI w rozwiązania gotowe do produkcji na dowolnym sprzęcie. Deci zostało uznane za innowatora technologicznego w dziedzinie Edge AI przez Gartner i zostało uwzględnione na liście CB Insights’ AI 100. Ich własna technologia ustanowiła nowe rekordy w MLPerf z Intel.

Co początkowo przyciągnęło Cię do machine learning?

Od młodego wieku zawsze fascynowały mnie najnowsze technologie – nie tylko ich używanie, ale także prawdziwe zrozumienie, jak one działają.

To życiowe zainteresowanie otworzyło mi drogę do moich późniejszych studiów doktoranckich z informatyki, gdzie moje badania koncentrowały się na Deep Neural Networks (DNNs). Gdy zacząłem rozumieć tę krytyczną technologię w środowisku akademickim, zacząłem prawdziwie pojmować, w jaki sposób AI może pozytywnie wpłynąć na świat wokół nas. Od inteligentnych miast, które mogą lepiej monitorować ruch i redukować wypadki, do autonomicznych pojazdów, które wymagają niewielkiej lub żadnej interwencji człowieka, do urządzeń medycznych, które mogą ratować życie – istnieją niezliczone aplikacje, w których AI może poprawić społeczeństwo. Zawsze wiedziałem, że chcę wziąć udział w tej rewolucji.

Czy mógłbyś podzielić się historią powstania Deci AI?

Nie jest trudno dostrzec – tak jak ja to robiłem, gdy byłem na studiach doktoranckich – jak korzystne może być AI w przypadku różnych zastosowań. Jednak wiele przedsiębiorstw ma trudności z wykorzystaniem pełnego potencjału AI, ponieważ deweloperzy ciągle stają przed trudnym wyzwaniem, aby rozwijać gotowe do produkcji modele głębokiego uczenia się do wdrożenia. Innymi słowy, nadal jest to bardzo trudne, aby produktyzować AI.

Te wyzwania można w dużej mierze przypisać luki efektywności AI, z którym boryka się branża. Algorytmy rosną wykładniczo bardziej potężne i wymagają więcej mocy obliczeniowej, ale jednocześnie muszą być wdrażane w sposób efektywny pod względem kosztów, często na urządzeniach krawędziowych o ograniczonych zasobach.

Moi współzałożyciele Prof. Ran El-Yaniv, Jonathan Elial i ja założyliśmy Deci, aby rozwiązać to wyzwanie. I zrobiliśmy to w jedyny sposób, jaki uznaliśmy za możliwy – używając AI samego, aby wykreować następną generację głębokiego uczenia się. Przyjęliśmy podejście algorytmiczne, pracując nad poprawą skuteczności algorytmów AI na wczesnych etapach, co z kolei umożliwi deweloperom budowanie i pracę z modelami, które dostarczają najwyższe poziomy dokładności i wydajności dla dowolnego sprzętu inferencyjnego.

Głębokie uczenie się jest rdzeniem Deci AI, czy mógłbyś je dla nas zdefiniować?

Głębokie uczenie się, podobnie jak machine learning, jest podpolem AI, które ma na celu umożliwić nową erę aplikacji. Głębokie uczenie się jest silnie inspirowane strukturą ludzkiego mózgu, dlatego gdy dyskutujemy o głębokim uczeniu się, dyskutujemy o „sieciach neuronowych”. To jest bardzo istotne dla aplikacji krawędziowych (myśl o kamerach w inteligentnych miastach, czujnikach w autonomicznych pojazdach, rozwiązaniach analitycznych w ochronie zdrowia), gdzie modele głębokiego uczenia się są niezbędne do generowania takich informacji w czasie rzeczywistym.

Co to jest Neural Architecture Search?

Neural Architecture Search (NAS) to dyscyplina technologiczna, której celem jest uzyskanie lepszych modeli głębokiego uczenia się.

Pionierska praca Google nad NAS w 2017 roku pomogła spopularyzować ten temat, przynajmniej w kręgach badawczych i akademickich.

Celem NAS jest znalezienie najlepszej architektury sieci neuronowej dla danego problemu. Automatyzuje projektowanie DNN, zapewniając lepszą wydajność i mniejsze straty niż architektury zaprojektowane ręcznie. Proces ten polega na tym, że algorytm przeszukuje przestrzeń agregowaną milionów dostępnych architektur modeli, aby wyłonić architekturę unikalnie dostosowaną do rozwiązania danego problemu. Innymi słowy, wykorzystuje AI do projektowania nowych AI, na podstawie konkretnych potrzeb danego projektu.

Jest on używany przez zespoły, aby uprościć proces rozwoju, zmniejszyć liczbę iteracji prób i błędów oraz zapewnić, że otrzymają ostateczny model, który może najlepiej służyć celom aplikacji pod względem dokładności i wydajności.

Jakie są niektóre ograniczenia Neural Architecture Search?

Głównymi ograniczeniami tradycyjnego NAS są dostępność i skalowalność. NAS jest dziś używany głównie w środowiskach badawczych i zwykle tylko przez gigantów technologicznych, takich jak Google i Facebook, lub w instytutach akademickich, takich jak Stanford, ponieważ tradycyjne techniki NAS są skomplikowane i wymagają dużej ilości zasobów obliczeniowych.

Dlatego jestem tak dumny z naszych osiągnięć w rozwoju przełomowej technologii AutoNAC (Automated Neural Architecture Construction) Deci, która demokratyzuje NAS i umożliwia firmom wszystkich rozmiarów łatwe budowanie niestandardowych architektur modeli z lepszą niż stanowy dokładnością i szybkością dla ich aplikacji.

Jak się różni uczenie wykrywania obiektów w zależności od typu obrazu?

Zaskakująco, domena obrazów nie wpływa dramatycznie na proces szkolenia modeli wykrywania obiektów. Niezależnie od tego, czy szukasz pieszych na ulicy, guza w badaniu medycznym, czy ukrytej broni w obrazie rentgenowskim wykonanym przez bezpieczeństwo lotniska, proces jest prawie taki sam. Dane, które używasz do szkolenia modelu, muszą być reprezentatywne dla zadania, a rozmiar i struktura modelu mogą być wpływane przez rozmiar, kształt i złożoność obiektów na Twoim obrazie.

Jak Deci AI oferuje platformę end-to-end dla głębokiego uczenia się?

Platforma Deci umożliwia deweloperom budowanie, szkolenie i wdrażanie dokładnych i szybkich modeli głębokiego uczenia się do produkcji. Dzięki temu zespoły mogą wykorzystywać najnowsze badania i najlepsze praktyki inżynierskie z jednej linii kodu, skrócić czas wprowadzenia na rynek z miesięcy do kilku tygodni i gwarantować sukces w produkcji.

Początkowo zaczynaliście z zespołem 6 osób, a teraz obsługujecie duże przedsiębiorstwa. Czy mógłbyś omówić rozwój firmy i niektóre z wyzwań, z którymi się zmagaliście?

Jesteśmy zachwyceni wzrostem, jaki osiągnęliśmy od momentu powstania w 2019 roku. Obecnie, ponad 50 pracowników i ponad 55 milionów dolarów w finansowaniu do tej pory, jesteśmy pewni, że możemy nadal pomagać deweloperom realizować i działać zgodnie z prawdziwym potencjałem AI. Od momentu uruchomienia zostaлиśmy uwzględnieni na liście CB Insights’ AI 100, osiągnęliśmy przełomowe osiągnięcia, takie jak nasza rodzina modeli, które dostarczają przełomową wydajność głębokiego uczenia się na CPU, i umocniliśmy znaczące współprace, w tym z dużymi nazwami, takimi jak Intel.

Czy jest coś jeszcze, co chciałbyś podzielić o Deci AI?

Jak wcześniej wspomniałem, luka efektywności AI nadal powoduje znaczne przeszkody dla produktyzacji AI. „Przesunięcie w lewo” – uwzględnienie ograniczeń produkcyjnych na wczesnym etapie cyklu życia rozwoju – redukuje czas i koszty poniesione na rozwiązanie potencjalnych przeszkód podczas wdrażania modeli głębokiego uczenia się w produkcji. Nasza platforma udowodniła, że jest w stanie to zrobić, dostarczając firmom narzędzi niezbędnych do pomyślnego rozwoju i wdrożenia rozwiązań AI, które mogą zmienić świat.

Naszym celem jest prosty – uczynić AI powszechnie dostępnym, przystępnym i skalowalnym.

Dziękujemy za wspaniałe wywiady, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Deci.