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 nível de produção em qualquer hardware. Deci foi reconhecida como Tech Innovator for Edge AI pela Gartner e incluída na lista AI 100 da CB Insights. O desempenho de sua tecnologia proprietária estabeleceu novos recordes no MLPerf com a Intel.

O que inicialmente atraiu você para o aprendizado de máquina?

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

Esse fascínio ao longo da vida abriu caminho para meus estudos de doutorado em ciência da computação, onde minha pesquisa se concentrou em Redes Neurais Profundas (DNNs). À medida que entendi essa tecnologia crítica em um ambiente acadêmico, comecei a compreender verdadeiramente as maneiras pelas quais a IA pode impactar positivamente o mundo ao nosso redor. De 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 – existem infinitas aplicações em que a IA pode melhorar a sociedade. Sempre soube que queria fazer parte dessa revolução.

Você poderia compartilhar a história da gênese por trás do Deci AI?

Não é difícil reconhecer – como fiz quando estava na faculdade para fazer meu doutorado – como a IA pode ser benéfica em casos de uso em geral. No entanto, muitas empresas lutam para capitalizar todo o potencial da IA, pois os desenvolvedores enfrentam continuamente uma batalha difícil para desenvolver modelos de deep learning prontos para produção para implantação. Em outras palavras, continua super difícil produzir IA.

Esses desafios podem ser atribuídos em grande parte à lacuna de eficiência da IA ​​enfrentada pelo setor. Os algoritmos estão se tornando exponencialmente mais poderosos e exigem mais poder de computação, mas em paralelo eles precisam ser implantados de maneira econômica, geralmente em dispositivos de ponta com recursos limitados.

Meus cofundadores Prof. Ran El-Yaniv, Jonathan Elial e eu cofundamos a Deci para enfrentar 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 algorítmica, trabalhando para melhorar a eficácia dos algoritmos de IA nos estágios iniciais, o que, por sua vez, capacitará os desenvolvedores a criar e trabalhar com modelos que oferecem os mais altos níveis de precisão e eficiência para qualquer hardware de inferência.

O aprendizado profundo está no centro do Deci AI, você poderia defini-lo para nós?

O aprendizado profundo, como o aprendizado de máquina, é um subcampo da IA, definido para capacitar uma nova era de aplicativos. O aprendizado profundo é fortemente inspirado em como o cérebro humano é estruturado, e é por isso que quando discutimos o aprendizado profundo, discutimos “redes neurais”. Isso é super relevante para aplicativos de ponta (pense em câmeras em cidades inteligentes, sensores em veículos autônomos, soluções analíticas na área da saúde), onde os modelos de aprendizado profundo no local são cruciais para gerar tais insights em tempo real.

O que é Pesquisa de Arquitetura Neural?

Neural Architecture Search (NAS) é uma disciplina tecnológica voltada para a obtenção de melhores modelos de deep learning.

O trabalho pioneiro do Google em NAS em 2017 ajudou a trazer o assunto para o mainstream, pelo menos nos círculos acadêmicos e de pesquisa.

O objetivo do NAS é encontrar a melhor arquitetura de rede neural para um determinado problema. Ele automatiza o design de DNNs, garantindo maior desempenho e menores perdas do que as arquiteturas projetadas manualmente. Envolve um processo pelo qual um algoritmo procura entre um espaço agregado de milhões de arquiteturas de modelos disponíveis, para produzir uma arquitetura exclusivamente adequada para resolver esse problema específico. Simplificando, ele utiliza IA para projetar uma nova IA, com base nas necessidades específicas de qualquer projeto.

Ele é usado pelas equipes para simplificar o processo de desenvolvimento, reduzir as iterações de tentativa e erro e garantir que cheguem ao modelo final que pode atender melhor às metas de precisão e desempenho dos aplicativos.

Quais são algumas das limitações da pesquisa de arquitetura neural?

As principais limitações do NAS tradicional são acessibilidade e escalabilidade. O NAS hoje é usado principalmente em configurações de pesquisa e normalmente realizado apenas por gigantes da tecnologia como Google e Facebook, ou em institutos acadêmicos como Stanford, pois as técnicas tradicionais de NAS são complicadas de executar e exigem muitos recursos computacionais.

É por isso que estou tão orgulhoso de nossas conquistas no desenvolvimento da inovadora tecnologia AutoNAC (Automated Neural Architecture Construction) da Deci, que democratiza o NAS e permite que empresas de todos os tamanhos criem facilmente arquiteturas de modelos personalizados com precisão e velocidade para suas aplicações.

Como a detecção de objeções de aprendizagem é diferente com base no tipo de imagem?

Surpreendentemente, o domínio das imagens não afeta drasticamente o processo de treinamento dos modelos de detecção de objetos. Esteja você procurando um pedestre na rua, um tumor em um exame médico ou uma arma escondida em uma imagem de raio-x feita pela segurança do aeroporto, o processo é praticamente 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 em sua imagem.

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

A plataforma da Deci capacita os desenvolvedores a criar, treinar e implantar modelos de aprendizado profundo precisos e rápidos para a 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 lançamento no mercado de meses para algumas semanas e garantir o sucesso na produção.

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

Estamos entusiasmados com o crescimento que alcançamos desde o início de 2019. Agora, com mais de 50 funcionários e mais de US$ 55 milhões em financiamento até o momento, estamos confiantes de que podemos continuar ajudando os desenvolvedores a perceber e agir de acordo com o verdadeiro potencial da IA. Desde o lançamento, fomos incluídos no IA 100 da CB Insights, fez conquistas inovadoras, como nossa família de modelos que oferecem desempenho de aprendizado profundo em CPUs, e solidificou colaborações significativas, inclusive com grandes nomes como Intel.

Há mais alguma coisa que você gostaria de compartilhar sobre o Deci AI?

Como mencionei antes, a lacuna de eficiência da IA ​​continua a causar grandes obstáculos para a produção de IA. “Mudar para a esquerda” – levando em consideração as restrições de produção no início do ciclo de vida do desenvolvimento, reduz o tempo e o custo gastos na correção de possíveis obstáculos ao implantar modelos de aprendizado profundo na produção ao longo da linha. Nossa plataforma provou ser capaz de fazer exatamente isso, fornecendo às empresas as ferramentas necessárias para desenvolver e implantar com sucesso soluções de IA que mudam o mundo.

Nosso objetivo é simples – tornar a IA amplamente acessível, econômica e escalável.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Deci.