Yonatan Geifman, CEO e Co-Fundador da Deci – Série de Entrevistas

Yonatan Geifman é o CEO e Co-Fundador da Deci que transforma modelos de IA em soluções de produção de classe mundial em qualquer hardware. A Deci foi reconhecida como Inovadora de Tecnologia para Edge AI pela Gartner e incluída na lista AI 100 da CB Insights. Sua tecnologia proprietária estabeleceu novos recordes no MLPerf com a Intel.

O que o atraiu inicialmente para a aprendizagem de máquina?

Desde jovem, sempre fui fascinado por tecnologias de ponta – não apenas usá-las, mas realmente entender como elas funcionam.

Essa fascinação de toda a vida me levou aos meus estudos de doutorado em ciência da computação, onde minha pesquisa se concentrou em Redes Neurais Profundas (DNNs). À medida que eu entendia essa tecnologia crítica em um ambiente acadêmico, comecei a realmente entender como a IA pode ter um impacto positivo no mundo ao nosso redor. Desde cidades inteligentes que podem monitorar melhor o tráfego e reduzir acidentes, a veículos autônomos que requerem pouca ou nenhuma intervenção humana, a dispositivos médicos que salvam vidas – há inúmeras aplicações onde a IA pode melhorar a sociedade. Eu sempre soube que queria fazer parte dessa revolução.

Pode compartilhar a história por trás da criação da Deci AI?

Não é difícil reconhecer – como eu fiz quando estava na faculdade de doutorado – como a IA pode ser benéfica em casos de uso em toda a parte. No entanto, muitas empresas lutam para capitalizar todo o potencial da IA, pois os desenvolvedores continuamente enfrentam uma batalha difícil para desenvolver modelos de aprendizado profundo prontos para produção. Em outras palavras, ainda é super difícil “produzir” a IA.

Esses desafios podem ser atribuídos principalmente à lacuna de eficiência da IA que a indústria enfrenta. Os algoritmos estão crescendo exponencialmente mais poderosos e requerem mais poder de processamento, mas, em paralelo, precisam ser implantados de forma eficiente em termos de custo, muitas vezes em dispositivos de borda com recursos limitados.

Meus co-fundadores, Prof. Ran El-Yaniv, Jonathan Elial e eu, co-fundamos a Deci para abordar esse desafio. E fizemos isso da única maneira que vimos possível – usando a própria IA para criar a próxima geração de aprendizado profundo. Adotamos uma abordagem “algoritmo em primeiro lugar”, trabalhando para melhorar a eficácia dos algoritmos de IA nos estágios iniciais, o que, por sua vez, permitirá que os desenvolvedores construam e trabalhem com modelos que entreguem os mais altos níveis de precisão e eficiência para qualquer hardware de inferência dado.

O aprendizado profundo está no cerne da Deci AI, pode definir isso para nós?

O aprendizado profundo, como a aprendizagem de máquina, é um subcampo da IA, destinado a habilitar uma nova era de aplicações. O aprendizado profundo é fortemente inspirado na forma como o cérebro humano é estruturado, é por isso que, quando discutimos aprendizado profundo, discutimos “redes neurais”. Isso é super relevante para aplicações de borda (pense em câmeras em cidades inteligentes, sensores em veículos autônomos, soluções analíticas em saúde) onde modelos de aprendizado profundo no local são cruciais para gerar esses insights em tempo real.

O que é Pesquisa de Arquitetura Neural?

A Pesquisa de Arquitetura Neural (NAS) é uma disciplina tecnológica destinada a obter melhores modelos de aprendizado profundo.

O trabalho pioneiro do Google (GOOGL ) sobre a NAS em 2017 ajudou a trazer o tópico para o mainstream, pelo menos dentro de círculos de pesquisa e acadêmicos.

O objetivo da NAS é encontrar a melhor arquitetura de rede neural para um problema dado. Ela automatiza o projeto de DNNs, garantindo um desempenho mais alto e perdas mais baixas do que as arquiteturas projetadas manualmente. Isso envolve um processo pelo qual um algoritmo procura entre um espaço agregado de milhões de arquiteturas de modelo disponíveis para produzir uma arquitetura única para resolver aquele problema específico. Para colocar de forma simples, utiliza a IA para projetar novas IAs, com base nas necessidades específicas de qualquer projeto dado.

É usada por equipes para simplificar o processo de desenvolvimento, reduzir iterações de tentativa e erro e garantir que eles acabem com o modelo definitivo que pode melhor atender aos alvos de precisão e desempenho das aplicações.

Quais são algumas das limitações da Pesquisa de Arquitetura Neural?

As principais limitações da NAS tradicional são acessibilidade e escalabilidade. A NAS hoje é usada principalmente em ambientes de pesquisa e normalmente apenas realizada por gigantes da tecnologia como Google e Facebook (META ), ou em institutos acadêmicos como Stanford, pois as técnicas de NAS tradicionais são complicadas de realizar e exigem muitos recursos computacionais.

É por isso que estou tão orgulhoso de nossos feitos no desenvolvimento da tecnologia AutoNAC (Construção Automática de Arquitetura Neural) da Deci, que democratiza a NAS e permite que empresas de todos os tamanhos construam facilmente arquiteturas de modelo personalizadas com precisão e velocidade superiores ao estado da arte para suas aplicações.

Como o aprendizado de detecção de objetos é diferente com base no tipo de imagem?

Surpreendentemente, o domínio das imagens não afeta dramaticamente o processo de treinamento de modelos de detecção de objetos. Seja você está procurando por um pedestre na rua, um tumor em um exame médico ou uma arma oculta em uma imagem de raio-X tirada pela segurança do aeroporto, o processo é basicamente o mesmo. Os dados que você usa para treinar seu modelo precisam ser representativos da tarefa em questão, e o tamanho e a estrutura do modelo podem ser afetados pelo tamanho, forma e complexidade dos objetos na sua imagem.

Como a Deci AI oferece uma plataforma de ponta a ponta para aprendizado profundo?

A plataforma da Deci permite que os desenvolvedores construam, treinem e implantem modelos de aprendizado profundo precisos e rápidos em produção. Ao fazer isso, as equipes podem aproveitar as melhores práticas de pesquisa e engenharia de ponta com uma linha de código, reduzir o tempo de mercado de meses para algumas semanas e garantir o sucesso em produção.

Você começou com uma equipe de 6 pessoas e agora atende grandes empresas. Pode discutir o crescimento da empresa e alguns dos desafios que você enfrentou?

Estamos entusiasmados com o crescimento que alcançamos desde o início em 2019. Agora, com mais de 50 funcionários e mais de $55 milhões em financiamento até o momento, estamos confiantes de que podemos continuar ajudando os desenvolvedores a realizar e agir no verdadeiro potencial da IA. Desde o lançamento, fomos incluídos na lista AI 100 da CB Insights, alcançamos feitos inovadores, como nossa família de modelos que entrega desempenho de aprendizado profundo de ponta em CPUs, e solidificamos colaborações significativas, incluindo com grandes nomes como a Intel.

Há algo mais que você gostaria de compartilhar sobre a Deci AI?

Como mencionei anteriormente, a lacuna de eficiência da IA continua a causar obstáculos significativos para a “produzir” a IA. “Deslocar para a esquerda” – considerar as restrições de produção cedo no ciclo de vida de desenvolvimento, reduz o tempo e o custo gastos em corrigir obstáculos potenciais ao implantar modelos de aprendizado profundo em produção mais tarde. Nossa plataforma provou ser capaz de fazer exatamente isso, fornecendo às empresas as ferramentas necessárias para desenvolver e implantar soluções de IA que mudam o mundo com sucesso.

Nossa meta é simples – tornar a IA amplamente acessível, asequível e escalável.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Deci.