Yonatan Geifman, CEO și co-fondator Deci – Seria de interviuri

Yonatan Geifman este CEO și co-fondator al Aici care transformă modelele AI în soluții de nivel de producție pe orice hardware. Deci a fost recunoscut ca inovator tehnologic pentru Edge AI de către Gartner și inclus în lista AI 100 a CB Insights. Performanța tehnologiei sale proprietare a stabilit noi recorduri la MLPerf cu Intel.

Ce te-a atras inițial către învățarea automată?

De la o vârstă fragedă, am fost întotdeauna fascinat de tehnologiile de ultimă oră – nu doar să le folosesc, ci și să înțeleg cu adevărat modul în care funcționează.

Această fascinație de-a lungul vieții a deschis calea către eventualele mele studii de doctorat în informatică, unde cercetarea mea s-a concentrat pe rețelele neuronale profunde (DNN). Pe măsură ce am ajuns să înțeleg această tehnologie critică într-un cadru academic, am început să înțeleg cu adevărat modurile în care AI poate avea un impact pozitiv asupra lumii din jurul nostru. De la orașe inteligente care pot monitoriza mai bine traficul și pot reduce accidentele, până la vehicule autonome care necesită puțină intervenție umană sau deloc, până la dispozitive medicale care salvează vieți – există nenumărate aplicații în care AI ar putea îmbunătăți societatea. Întotdeauna am știut că vreau să iau parte la acea revoluție.

Ați putea împărtăși povestea genezei din spatele Deci AI?

Nu este greu să recunosc – așa cum am făcut atunci când eram la școală pentru doctoratul – cât de benefică poate fi IA în cazuri de utilizare în general. Cu toate acestea, multe întreprinderi se luptă să valorifice întregul potențial al AI, deoarece dezvoltatorii se confruntă în mod continuu cu o luptă dificilă pentru a dezvolta modele de deep learning pregătite pentru producție pentru implementare. Cu alte cuvinte, rămâne foarte dificil să produci AI.

Aceste provocări pot fi atribuite în mare măsură decalajului de eficiență AI cu care se confruntă industria. Algoritmii devin exponențial mai puternici și necesită mai multă putere de calcul, dar în paralel trebuie să fie implementați într-un mod eficient din punct de vedere al costurilor, adesea pe dispozitive de vârf cu resurse limitate.

Co-fondatorii mei Prof. Ran El-Yaniv, Jonathan Elial și cu mine am co-fondat Deci pentru a aborda această provocare. Și am făcut-o în singurul mod pe care l-am văzut posibil – folosind AI în sine pentru a crea următoarea generație de învățare profundă. Am adoptat o abordare bazată pe algoritmi, lucrând pentru a îmbunătăți eficacitatea algoritmilor de inteligență artificială în etapele anterioare, ceea ce va permite dezvoltatorilor să construiască și să lucreze cu modele care oferă cele mai înalte niveluri de precizie și eficiență pentru orice hardware de inferență dat.

Învățarea profundă este în centrul Deci AI, ați putea să ne definiți?

Învățarea profundă, ca și învățarea automată, este un subdomeniu al inteligenței artificiale, destinat să dezvolte o nouă eră a aplicațiilor. Învățarea profundă este puternic inspirată de modul în care este structurat creierul uman, motiv pentru care atunci când discutăm despre învățarea profundă, discutăm despre „rețele neuronale”. Acest lucru este foarte relevant pentru aplicațiile de vârf (gândiți-vă la camerele din orașele inteligente, senzorii pe vehicule autonome, soluțiile analitice în domeniul sănătății) unde modelele de învățare profundă la fața locului sunt cruciale pentru generarea unor astfel de informații în timp real.

Ce este Neural Architecture Search?

Neural Architecture Search (NAS) este o disciplină tehnologică menită să obțină modele de deep learning mai bune.

Activitatea de pionierat a Google pe NAS în 2017 a contribuit la introducerea subiectului în curent, cel puțin în cercurile de cercetare și academice.

Scopul NAS este de a găsi cea mai bună arhitectură de rețea neuronală pentru o anumită problemă. Automatizează proiectarea DNN-urilor, asigurând performanțe mai mari și pierderi mai mici decât arhitecturile proiectate manual. Implica un proces prin care un algoritm caută într-un spațiu agregat de milioane de modele de arcuitecuri disponibile, pentru a obține o arhitectură potrivită în mod unic pentru a rezolva problema respectivă. Pentru a spune simplu, utilizează AI pentru a proiecta noi AI, pe baza nevoilor specifice ale oricărui proiect dat.

Este folosit de echipe pentru a simplifica procesul de dezvoltare, pentru a reduce iterațiile de încercare și eroare și pentru a se asigura că acestea se termină cu modelul suprem care poate servi cel mai bine exactitatea și obiectivele de performanță ale aplicațiilor.

Care sunt unele dintre limitările căutării arhitecturii neuronale?

Principalele limitări ale NAS tradiționale sunt accesibilitatea și scalabilitatea. Astăzi, NAS este folosit mai ales în mediile de cercetare și, de obicei, este realizat doar de giganți tehnologici precum Google și Facebook, sau la institute academice precum Stanford, deoarece tehnicile tradiționale NAS sunt complicate de realizat și necesită o mulțime de resurse de calcul.

De aceea sunt atât de mândru de realizările noastre în dezvoltarea tehnologiei revoluționare AutoNAC (Automated Neural Architecture Construction) Deci, care democratizează NAS și permite companiilor de toate dimensiunile să construiască cu ușurință arhitecturi de model personalizate cu o acuratețe mai bună decât cea de ultimă generație și viteza pentru aplicațiile lor.

Cum diferă detectarea obiecției la învățare în funcție de tipul de imagine?

În mod surprinzător, domeniul imaginilor nu afectează în mod dramatic procesul de antrenament al modelelor de detecție a obiectelor. Fie că cauți un pieton pe stradă, o tumoare într-o scanare medicală sau o armă ascunsă într-o imagine cu raze X realizată de securitatea aeroportului, procesul este aproape același. Datele pe care le utilizați pentru a vă antrena modelul trebuie să fie reprezentative pentru sarcina în cauză, iar dimensiunea și structura modelului pot fi afectate de dimensiunea, forma și complexitatea obiectelor din imaginea dvs.

Cum oferă Deci AI o platformă end-to-end pentru deep learning?

Platforma Deci dă putere dezvoltatorilor să construiască, să antreneze și să implementeze modele de deep learning precise și rapide în producție. Procedând astfel, echipele pot valorifica cele mai avansate practici de cercetare și inginerie cu o singură linie de cod, pot scurta timpul de lansare pe piață de luni la câteva săptămâni și pot garanta succesul în producție.

Ați început inițial cu o echipă de 6 persoane, iar acum deserviți întreprinderi mari. Ați putea discuta despre creșterea companiei și despre unele dintre provocările cu care v-ați confruntat?

Suntem încântați de creșterea pe care am obținut-o de la începutul anului 2019. Acum, peste 50 de angajați și peste 55 de milioane de dolari în finanțare până în prezent, suntem încrezători că putem continua să ajutăm dezvoltatorii să realizeze și să acționeze pe adevăratul potențial al AI. De la lansare, am fost incluși pe AI 100 de la CB Insights, a realizat realizări revoluționare, cum ar fi familia noastră de modele care oferă revoluții performanță de învățare profundă pe procesoareși a consolidat colaborări semnificative, inclusiv cu nume mari precum Intel.

Mai există ceva pe care ați dori să împărtășiți despre Deci AI?

După cum am menționat anterior, decalajul de eficiență AI continuă să provoace obstacole majore pentru producția AI. „Shifting left” – luarea în considerare a constrângerilor de producție la începutul ciclului de viață al dezvoltării, reduce timpul și costurile cheltuite pentru remedierea potențialelor obstacole la implementarea modelelor de învățare profundă în producție în continuare. Platforma noastră s-a dovedit capabilă să facă exact acest lucru, oferind companiilor instrumentele necesare pentru a dezvolta și implementa cu succes soluții AI care schimbă lumea.

Scopul nostru este simplu – să facem AI accesibilă, accesibilă și scalabilă.

Mulțumim pentru interviul minunat, cititorii care doresc să afle mai multe ar trebui să viziteze Aici.