Йонатан Гейфман, генеральный директор и соучредитель Deci — серия интервью

Йонатан Гейфман является генеральным директором и соучредителем дей который превращает модели ИИ в решения производственного уровня на любом оборудовании. Компания Gartner признала Деси техническим новатором в области искусственного интеллекта для периферийных устройств и включила его в список 100 AI XNUMX по версии CB Insights. Производительность запатентованной технологии установила новые рекорды на MLPerf с Intel.

Что изначально привлекло вас в машинном обучении?

С юных лет я всегда был очарован передовыми технологиями — не просто использовать их, но и по-настоящему понимать, как они работают.

Это увлечение на всю жизнь проложило путь к моей возможной аспирантуре в области компьютерных наук, где мои исследования были сосредоточены на глубоких нейронных сетях (ГНС). Когда я начал понимать эту критически важную технологию в академической среде, я начал по-настоящему понимать, как ИИ может положительно влиять на мир вокруг нас. От умных городов, которые могут лучше отслеживать трафик и снижать количество аварий, до автономных транспортных средств, которые практически не требуют вмешательства человека, до спасательных медицинских устройств — существует бесконечное множество приложений, в которых ИИ может улучшить общество. Я всегда знал, что хочу принять участие в этой революции.

Не могли бы вы поделиться историей происхождения Deci AI?

Нетрудно понять, как я это сделал, когда учился в школе, чтобы получить докторскую степень, насколько полезным может быть ИИ во всех случаях использования. Тем не менее, многие предприятия изо всех сил пытаются извлечь выгоду из всего потенциала ИИ, поскольку разработчики постоянно сталкиваются с трудной борьбой за разработку готовых к эксплуатации моделей глубокого обучения для развертывания. Другими словами, по-прежнему очень сложно превратить ИИ в продукт.

Эти проблемы в значительной степени могут быть связаны с недостатком эффективности ИИ, с которым сталкивается отрасль. Алгоритмы экспоненциально становятся более мощными и требуют большей вычислительной мощности, но параллельно их необходимо развертывать экономически эффективным способом, часто на периферийных устройствах с ограниченными ресурсами.

Мои соучредители профессор Ран Эль-Янив, Джонатан Элиал и я стали соучредителями Deci, чтобы решить эту проблему. И мы сделали это единственным способом, который считали возможным, — используя сам ИИ для создания следующего поколения глубокого обучения. Мы приняли алгоритмический подход, работая над повышением эффективности алгоритмов ИИ на более ранних этапах, что, в свою очередь, позволит разработчикам создавать модели и работать с ними, которые обеспечивают высочайший уровень точности и эффективности для любого данного оборудования для логического вывода.

Глубокое обучение лежит в основе ИИ Deci. Не могли бы вы дать нам определение?

Глубокое обучение, как и машинное обучение, — это область ИИ, предназначенная для расширения возможностей новой эры приложений. Глубокое обучение во многом основано на том, как устроен человеческий мозг, поэтому, когда мы обсуждаем глубокое обучение, мы обсуждаем «нейронные сети». Это очень актуально для периферийных приложений (вспомните камеры в умных городах, датчики в автономных транспортных средствах, аналитические решения в здравоохранении), где модели глубокого обучения на местах имеют решающее значение для получения такой информации в режиме реального времени.

Что такое поиск нейронной архитектуры?

Поиск нейронной архитектуры (NAS) — это технологическая дисциплина, направленная на получение лучших моделей глубокого обучения.

Новаторская работа Google над NAS в 2017 году помогла сделать эту тему популярной, по крайней мере, в исследовательских и академических кругах.

Цель NAS — найти лучшую архитектуру нейронной сети для данной задачи. Он автоматизирует проектирование DNN, обеспечивая более высокую производительность и меньшие потери, чем архитектуры, разработанные вручную. Он включает в себя процесс, посредством которого алгоритм ищет среди совокупного пространства миллионов доступных архитектур моделей, чтобы получить архитектуру, уникально подходящую для решения этой конкретной проблемы. Проще говоря, он использует ИИ для разработки нового ИИ на основе конкретных потребностей любого конкретного проекта.

Он используется командами, чтобы упростить процесс разработки, сократить количество проб и ошибок и убедиться, что в конечном итоге они получат окончательную модель, которая наилучшим образом соответствует целям точности и производительности приложений.

Каковы некоторые ограничения поиска нейронной архитектуры?

Основными ограничениями традиционных NAS являются доступность и масштабируемость. Сегодня NAS в основном используется в исследовательских целях и, как правило, осуществляется только технологическими гигантами, такими как Google и Facebook, или академическими институтами, такими как Стэнфорд, поскольку традиционные методы NAS сложны в применении и требуют много вычислительных ресурсов.

Вот почему я так горжусь нашими достижениями в разработке новаторской технологии Deci AutoNAC (автоматическое построение нейронной архитектуры), которая демократизирует NAS и позволяет компаниям любого размера легко создавать пользовательские архитектуры моделей с более высокой точностью и точностью. скорость для своих приложений.

Чем отличается обучение обнаружению возражений в зависимости от типа изображения?

Удивительно, но область изображений не сильно влияет на процесс обучения моделей обнаружения объектов. Ищете ли вы пешехода на улице, опухоль при медицинском сканировании или спрятанное оружие на рентгеновском снимке, сделанном службой безопасности аэропорта, процесс практически одинаков. Данные, которые вы используете для обучения модели, должны отражать поставленную задачу, а размер и структура модели могут зависеть от размера, формы и сложности объектов на вашем изображении.

Как Deci AI предлагает комплексную платформу для глубокого обучения?

Платформа Deci позволяет разработчикам создавать, обучать и развертывать точные и быстрые модели глубокого обучения в рабочей среде. При этом команды могут использовать самые передовые исследовательские и инженерные практики с помощью одной строки кода, сократить время выхода на рынок на месяцы или пару недель и гарантировать успех в производстве.

Вы изначально начинали с командой из 6 человек, а сейчас обслуживаете крупные предприятия. Не могли бы вы рассказать о росте компании и некоторых проблемах, с которыми вы столкнулись?

Мы в восторге от роста, которого мы достигли с начала работы в 2019 году. Теперь, когда у нас более 50 сотрудников и более 55 миллионов долларов финансирования на сегодняшний день, мы уверены, что сможем и дальше помогать разработчикам реализовать истинный потенциал ИИ и использовать его. С момента запуска мы были включены в ИИ 100 CB Insights, сделали новаторские достижения, такие как наше семейство моделей, которые обеспечивают прорыв производительность глубокого обучения на процессорахи укрепили значимое сотрудничество, в том числе с такими громкими именами, как Intel.

Есть ли что-нибудь еще, что вы хотели бы рассказать о Deci AI?

Как я упоминал ранее, разрыв в эффективности ИИ продолжает создавать серьезные препятствия для производства ИИ. «Сдвиг влево» — учет производственных ограничений на ранних этапах жизненного цикла разработки сокращает время и затраты, затрачиваемые на устранение потенциальных препятствий при развертывании моделей глубокого обучения в производственной среде. Наша платформа доказала свою способность делать это, предоставляя компаниям инструменты, необходимые для успешной разработки и развертывания изменяющих мир решений искусственного интеллекта.

Наша цель проста — сделать ИИ широкодоступным, недорогим и масштабируемым.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить дей.