Yashar Behzadi, CEO-ul Synthesis AI – Seria de interviuri

Yashar Behzadi PhD este CEO și fondator al Synthesis AI. El este un antreprenor experimentat care a construit afaceri transformaționale în domeniile inteligenței artificiale, tehnologiei medicale și a dispozitivelor IoT. A petrecut ultimii 14 ani în Silicon Valley, construind și scalând companii de tehnologie centrate pe date. Yashar are peste 30 de brevete și brevete în așteptare și un doctorat de la UCSD, cu accent pe modelarea spațial-temporală a imaginilor funcționale ale creierului.

Synthesis AI este o companie startup situată la intersecția învățării profunde și a graficii computerizate, creând un nou paradigmă pentru dezvoltarea modelului de viziune computerizată. Ei permit clienților să dezvolte modele mai bune într-o fracțiune din timpul și costul abordărilor tradiționale bazate pe annotarea umană.

Cum ai fost implicat inițial în știința computerului și inteligența artificială?

Am obținut un doctorat de la UCSD în 2006, axat pe viziunea computerizată și modelarea spațială și temporală a datelor de imagistică a creierului. Apoi am lucrat în Silicon Valley, la intersecția senzorilor, datelor și învățării automate, în diferite industrii, timp de 16 ani. Mă simt foarte norocos că am avut ocazia să lucrez la unele tehnologii remarcabile și am peste 30 de brevete emise sau depuse, axate pe prelucrarea semnalelor, învățarea automată și știința datelor.

Poți să ne împărtășești povestea de origine a Synthesis AI?

Înainte de a fonda Synthesis AI în 2019, am condus o companie globală de servicii AI, axată pe dezvoltarea de modele de viziune computerizată pentru întreprinderi tehnologice de top. Indiferent de mărimea companiei, am constatat că eram extrem de limitați de calitatea și cantitatea de date de antrenare etichetate. Pe măsură ce companiile s-au extins geografic, și-au mărit baza de clienți sau au dezvoltat noi modele și hardware, au fost necesare noi date de antrenare pentru a asigura funcționarea adecvată a modelelor. De asemenea, a devenit clar că viitorul viziunii computerizate nu va fi de succes cu paradigma actuală de annotare umană. Aplicațiile emergente de viziune computerizată în autonomie, robotică și aplicații AR/VR/metavers necesită un set bogat de etichete 3D, informații de adâncime, proprietăți ale materialelor, segmentare detaliată etc., pe care oamenii nu le pot eticheta. A fost nevoie de un nou paradigmă pentru a furniza setul necesar de etichete pentru antrenarea acestor noi modele. În plus față de factorii tehnici, am văzut o atenție crescândă din partea consumatorilor și a reglementatorilor cu privire la problemele etice legate de polarizarea modelului și confidențialitatea consumatorului.

Am înființat Synthesis AI cu scopul de a transforma paradigma viziunii computerizate. Platforma de generare a datelor sintetice a companiei permite generarea la cerere a datelor de imagine fotorealiste, cu un set extins de etichete 3D perfecte. Misiunea noastră este de a pioniera tehnologiile de date sintetice pentru a permite dezvoltarea etică a unor modele mai capabile.

Pentru cititorii care nu sunt familiari cu acest termen, poți să definesc ce este datele sintetice?

Datele sintetice sunt date generate de computer care servesc ca o alternativă la datele din lumea reală. Datele sintetice sunt create în lumi digitale simulate, mai degrabă decât colectate din sau măsurate în lumea reală. Combinând instrumente din lumea efectelor vizuale și a graficii computerizate cu modele de inteligență artificială generative, Synthesis AI permite companiilor să creeze cantități uriașe de date diverse și fotorealiste pentru a antrena modele de viziune computerizată. Platforma de generare a datelor a companiei a redus costul și viteza de obținere a datelor de imagine de înaltă calitate, păstrând în același timp confidențialitatea.

Poți să discuți despre cum se generează datele sintetice?

Un set de date sintetice este creat în mod artificial, mai degrabă decât prin date din lumea reală. Tehnologiile din industria efectelor vizuale sunt cuplate cu rețele neuronale generative pentru a crea cantități uriașe de date de imagine etichetate și fotorealiste. Datele sintetice permit crearea de date de antrenare la o fracțiune din costul și timpul abordărilor actuale.

Cum utilizează datele sintetice pentru a crea un avantaj competitiv?

În prezent, majoritatea sistemelor de inteligență artificială utilizează “învățarea supravegheată”, în care oamenii etichetează atribute cheie în imagini și apoi antrenează algoritmii de inteligență artificială pentru a interpreta imagini. Acesta este un proces care consumă resurse și timp și este limitat de ceea ce oamenii pot eticheta cu acuratețe. De asemenea, preocupările cu privire la polarizarea inteligenței artificiale și confidențialitatea consumatorului au crescut, făcând din ce în ce mai dificilă obținerea de date reprezentative umane.

Abordarea noastră este de a crea lumi digitale fotorealiste care sintetizează date de imagine complexe. Deoarece generăm datele, știm totul despre scene, inclusiv informații niciodată disponibile anterior despre locația 3D a obiectelor și interacțiunile lor complexe cu alte obiecte și mediul înconjurător. Obținerea și etichetarea acestor cantități de date utilizând abordările actuale ar dura luni, dacă nu ani. Acest nou paradigmă va permite o îmbunătățire de 100 de ori a eficienței și costului și va conduce la o nouă clasă de modele mai capabile.

Deoarece datele sintetice sunt generate în mod artificial, acest lucru elimină multe polarizări și preocupări legate de confidențialitate cu colectarea tradițională de seturi de date din lumea reală.

Cum permite generarea de date la cerere accelerarea scalării?

Capturarea și pregătirea datelor din lumea reală pentru antrenarea modelului este un proces lung și laborios. Implementarea hardware-ului necesar poate fi prohibitiv de scumpă pentru sisteme complexe de viziune computerizată, cum ar fi vehiculele autonome, robotica sau imaginile din satelit. Odată ce datele sunt capturate, oamenii etichetează și anotează caracteristici esențiale. Acest proces este predispus la erori, iar oamenii sunt limitați în capacitatea de a eticheta informații cheie, cum ar fi poziția 3D necesară pentru multe aplicații.

Datele sintetice sunt de ordinul magnitudinii mai rapide și mai ieftine decât abordările tradiționale bazate pe annotarea umană și vor accelera implementarea de noi și mai capabile modele în diferite industrii.

Cum permit datele sintetice reducerea sau prevenirea polarizării inteligenței artificiale?

Sistemele de inteligență artificială sunt omniprezente, dar pot conține polarizări înscrise care pot afecta grupuri de oameni. Seturile de date pot fi dezechilibrate, cu anumite clase de date supra- sau subreprezentate. Construirea de sisteme centrate pe oameni poate duce adesea la polarizări de gen, etnie și vârstă. În contrast, datele de antrenare generate prin proiectare sunt echilibrate și lipsite de polarizări umane.

Datele sintetice ar putea deveni o soluție robustă pentru rezolvarea problemelor de polarizare a inteligenței artificiale. Datele sintetice sunt generate parțial sau complet în mod artificial, mai degrabă decât măsurate sau extrase din evenimente sau fenomene din lumea reală. Dacă setul de date nu este suficient de divers sau de mare, datele generate de inteligența artificială pot completa golurile și forma un set de date nepolarizat. Cel mai bun lucru? Crearea manuală a acestor seturi de date poate dura echipei câteva luni sau ani pentru a finaliza. Cu date sintetice, acest lucru poate fi realizat peste noapte.

În afara viziunii computerizate, ce sunt alte posibile cazuri de utilizare a datelor sintetice în viitor?

În plus față de multitudinea de cazuri de utilizare a viziunii computerizate legate de produsele de consum, autonomie, robotică, AR/VR/metavers și multe altele, datele sintetice vor avea impact și asupra altor modalități de date. Suntem deja martorii faptului că companiile utilizează abordări de date sintetice pentru date tabulare structurate, prelucrarea vocii și a limbajului natural. Tehnologiile și pipeline-urile de generare subiacente diferă pentru fiecare modalitate, iar în viitorul apropiat, ne așteptăm să vedem sisteme multimodale (de exemplu, video + voce).

Există altceva pe care ai vrea să-l împărtășești despre Synthesis AI?

La sfârșitul anului trecut, am lansat HumanAPI, o extindere semnificativă a capacităților de date sintetice ale Synthesis AI, permițând generarea programatică a milioanelor de oameni digitali unici și de înaltă calitate în 3D. Acest anunț vine la câteva luni după lansarea produsului FaceAPI, care a livrat peste 10 milioane de imagini faciale etichetate pentru companii de top din domeniul smartphone-urilor, teleconferințelor, automobilelor și tehnologiei. HumanAPI este următorul pas în călătoria companiei noastre de a sprijini aplicații avansate de inteligență artificială.

HumanAPI oferă, de asemenea, o multitudine de noi oportunități pentru clienții noștri, inclusiv asistenți inteligenți, antrenori virtuali de fitness și, desigur, lumea aplicațiilor metavers.

Prin crearea unui dublu digital al lumii reale, metaversul va permite noi aplicații, de la rețele sociale reimaginare, experiențe de divertisment, teleconferințe, jocuri și multe altele. Inteligența artificială a viziunii computerizate va fi fundamentală pentru modul în care lumea reală este capturată și re creată cu fidelitate în domeniul digital. Oamenii fotorealisti, expresivi și comportamentali precis vor fi o componentă esențială a viitorului aplicațiilor de viziune computerizată. HumanAPI este primul produs care permite companiilor să creeze cantități uriașe de date întregi etichetate la cerere pentru a construi modele de inteligență artificială mai capabile, inclusiv estimarea poziției, recunoașterea emoțiilor, caracterizarea activităților și a comportamentului, reconstrucția feței și multe altele.

Mulțumim pentru acest interviu minunat. Citiitorii care doresc să afle mai multe despre Synthesis AI ar trebui să viziteze site-ul nostru.