Yonatan Geifman, CEO & Co-Founder of Deci – Wywiad

Yonatan Geifman jest CEO & Co-Founderem Deci która przekształca modele AI w rozwiązania gotowe do produkcji na dowolnym sprzęcie. Deci została uznana za Tech Innovatora dla Edge AI przez Gartner i została uwzględniona na liście CB Insights’ AI 100. Jej własna technologia ustanowiła nowe rekordy w MLPerf z Intelem.

Czym pierwotnie zainteresował się Pan machine learningiem?

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

Ten życiowy fascynacja otworzył drogę do moich późniejszych studiów doktoranckich z informatyki, gdzie moje badania koncentrowały się na Deep Neural Networks (DNN). Gdy zacząłem rozumieć tę krytyczną technologię w środowisku akademickim, zacząłem również prawdziwie pojmować, w jaki sposób AI może pozytywnie wpłynąć na świat wokół nas. Od inteligentnych miast, które mogą lepiej monitorować ruch i redukować wypadki, po autonomiczne pojazdy, które wymagają minimalnej interwencji człowieka, po urządzenia medyczne, które ratują życie – istnieją niezliczone aplikacje, w których AI może poprawić społeczeństwo. Zawsze wiedziałem, że chcę wziąć udział w tej rewolucji.

Czy mógłby Pan podzielić się historią powstania Deci AI?

Nie jest trudno rozpoznać – jak to zrobiłem, gdy byłem na studiach doktoranckich – jak korzystne może być AI w różnych przypadkach użycia. Jednak wiele przedsiębiorstw ma trudności z wykorzystaniem pełnego potencjału AI, ponieważ deweloperzy stale walczą z trudnościami w tworzeniu gotowych do produkcji modeli głębokiego uczenia. Innymi słowy, nadal jest bardzo trudno „produkować” AI.

Te wyzwania można w dużej mierze przypisać luki efektywności AI, z którym boryka się branża. Algorytmy rosną wykładniczo w siłę i wymagają większej 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 uważaliśmy za możliwy – używając AI samego, aby stworzyć następną generację głębokiego uczenia. 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.

Czy mógłby Pan wyjaśnić, czym jest głębokie uczenie?

Głębokie uczenie, podobnie jak machine learning, jest poddziedziną AI, która ma na celu umożliwić nową erę aplikacji. Głębokie uczenie jest silnie inspirowane strukturą ludzkiego mózgu, dlatego gdy dyskutujemy o głębokim uczeniu, dyskutujemy o „sieciach neuronowych”. Jest to szczególnie istotne dla aplikacji krawędziowych (np. kamer w inteligentnych miastach, czujników w autonomicznych pojazdach, rozwiązań analitycznych w ochronie zdrowia), gdzie modele głębokiego uczenia są niezbędne do generowania takich informacji w czasie rzeczywistym.

Czym jest Neural Architecture Search?

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

Pionierska praca Google (GOOGL ) 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 wyższą wydajność i niższe straty niż architektury zaprojektowane ręcznie. Obejmuje proces, w którym algorytm przeszukuje przestrzeń agregowaną milionów dostępnych architektur modeli, aby wygenerować architekturę unikalnie dostosowaną do rozwiązania danego problemu. Innymi słowy, wykorzystuje AI do projektowania nowej 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 dokładności i wydajności aplikacji.

Jakie są 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 (META ), lub w instytutach akademickich, takich jak Stanford, ponieważ tradycyjne techniki NAS są skomplikowane do wykonania 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 znacząco na proces szkolenia modeli wykrywania obiektów. Niezależnie od tego, czy szukamy pieszych na ulicy, guza w badaniu medycznym czy ukrytej broni w obrazie rentgenowskim lotniska, proces jest prawie taki sam. Dane, których 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?

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

Początkowo rozpoczęli Państwo z zespołem 6 osób, a teraz obsługujecie duże przedsiębiorstwa. Czy mógłby Pan omówić rozwój firmy i niektóre z wyzwań, z którymi się zetknęli?

Jesteśmy zachwyceni wzrostem, jaki osiągnęliśmy od rozpoczęcia w 2019 roku. Obecnie, z ponad 50 pracownikami i ponad 55 milionami dolarów w finansowaniu, jesteśmy pewni, że możemy nadal pomagać deweloperom realizować i wykorzystywać prawdziwy potencjał AI. Od rozpoczęcia zostaлиśmy uwzględnieni na liście CB Insights’ AI 100, osiągnęliśmy przełomowe osiągnięcia, takie jak nasza rodzina modeli, które dostarczają przełomową wydajność głębokiego uczenia na CPU, i umocniliśmy znaczące współprace, w tym z dużymi nazwami, takimi jak Intel.

Czy jest coś jeszcze, co chciałby Pan podzielić się o Deci AI?

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

Naszym celem jest coś prostego – uczynienie AI powszechnie dostępnym, przystępnym i skalowalnym.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Deci.