Йонатан Гейфман, генеральный директор и сооснователь Deci — серия интервью

Йонатан Гейфман является генеральным директором и сооснователем Deci которая превращает модели ИИ в производственные решения на любом оборудовании. Deci была признана инноватором технологий для Edge AI от Gartner и включена в список CB Insights’ AI 100. Ее проприетарная технология установила новые рекорды на MLPerf с Intel.

Что изначально привлекло вас к машинному обучению?

С раннего возраста я всегда был увлечен передовыми технологиями – не только их использованием, но иподлинным пониманием того, как они работают.

Эта пожизненная увлеченность проложила путь к моим дальнейшему обучению в докторантуре по компьютерным наукам, где моя работа была сосредоточена на глубоких нейронных сетях (DNN). Когда я начал понимать эту критическую технологию в академической среде, я начал по-настоящему осознавать, как ИИ может положительно повлиять на мир вокруг нас. От умных городов, которые могут лучше контролировать трафик и снижать количество аварий, до автономных транспортных средств, которые требуют минимального вмешательства человека или обходятся без него, до спасающих жизни медицинских устройств – есть бесконечное количество применений, где ИИ может улучшить общество. Я всегда знал, что хочу принять участие в этой революции.

Можете ли вы рассказать историю создания Deci AI?

Несложно признать – как я признал, когда учился на PhD – насколько полезен ИИ может быть в различных применениях. Однако многие предприятия сталкиваются с трудностями в полном использовании потенциала ИИ, поскольку разработчики постоянно сталкиваются с трудностями в разработке производственных моделей глубокого обучения для развертывания. Другими словами, это все еще очень сложно превратить ИИ в продукт.

Эти проблемы в основном обусловлены пробелом в эффективности ИИ, с которым сталкивается отрасль. Алгоритмы становятся экспоненциально более мощными и требуют больше вычислительных ресурсов, но одновременно они должны быть развернуты экономически эффективным способом, часто на периферийных устройствах с ограниченными ресурсами.

Мои сооснователи профессор Ран Эль-Янив, Джонатан Элиал и я основали Deci, чтобы решить эту проблему. И мы сделали это единственным способом, который мы считали возможным – используя сам ИИ для создания следующего поколения глубокого обучения. Мы приняли подход с приоритетом алгоритмов, работая над улучшением эффективности алгоритмов ИИ на ранних стадиях, что в свою очередь позволит разработчикам создавать и работать с моделями, которые обеспечивают самые высокие уровни точности и эффективности для любого заданного оборудования для инференса.

Глубокое обучение является ядром Deci AI, можете ли вы определить его для нас?

Глубокое обучение, как и машинное обучение, является подполем ИИ, призванным открыть новую эру приложений. Глубокое обучение сильно вдохновлено структурой человеческого мозга, поэтому когда мы обсуждаем глубокое обучение, мы обсуждаем «нейронные сети». Это особенно актуально для периферийных приложений (например, камер в умных городах, датчиков на автономных транспортных средствах, аналитических решений в здравоохранении), где модели глубокого обучения на месте являются важными для генерации таких сведений в режиме реального времени.

Что такое поиск нейронной архитектуры?

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

Пионерская работа Google (GOOGL ) над NAS в 2017 году помогла сделать эту тему мейнстримом, по крайней мере в исследовательских и академических кругах.

Цель NAS – найти лучшую архитектуру нейронной сети для данной проблемы. Она автоматизирует проектирование DNN, обеспечивая более высокую производительность и меньшие потери, чем архитектуры, спроектированные вручную. Это включает в себя процесс, в котором алгоритм ищет среди совокупного пространства миллионов доступных архитектур моделей, чтобы получить архитектуру, уникально подходящую для решения конкретной проблемы. Проще говоря, он использует ИИ для проектирования нового ИИ на основе конкретных потребностей любого данного проекта.

Он используется командами для упрощения процесса разработки, снижения количества итераций проб и ошибок и обеспечения того, чтобы они получили окончательную модель, которая может лучше всего удовлетворять целям точности и производительности приложения.

Каковы некоторые ограничения поиска нейронной архитектуры?

Основные ограничения традиционного NAS – это доступность и масштабируемость. NAS сегодня в основном используется в исследовательских условиях и обычно проводится только технологическими гигантами, такими как Google и Facebook (META ), или в академических институтах, таких как Стэнфорд, поскольку традиционные методы NAS сложны и требуют множества вычислительных ресурсов.

Именно поэтому я так горжусь нашими достижениями в разработке революционной технологии AutoNAC (Автоматическое конструирование нейронной архитектуры) от Deci, которая демократизирует NAS и позволяет компаниям любого размера легко создавать индивидуальные архитектуры моделей с лучшей, чем современный уровень, точностью и скоростью для своих приложений.

Как обучение обнаружению объектов различается в зависимости от типа изображения?

Удивительно, но область изображений не сильно влияет на процесс обучения моделей обнаружения объектов. Независимо от того, ищете ли вы пешехода на улице, опухоль в медицинском снимке или скрытое оружие на рентгеновском снимке, сделанном службой безопасности аэропорта, процесс практически один и тот же. Данные, которые вы используете для обучения своей модели, должны быть представительными для задачи, и размер и структура модели могут быть затронуты размером, формой и сложностью объектов на вашем изображении.

Как Deci AI предлагает платформу для глубокого обучения от начала до конца?

Платформа Deci позволяет разработчикам создавать, обучать и развертывать точные и быстрые модели глубокого обучения в производство. Таким образом, команды могут использовать самые передовые исследования и лучшие практики инженерии с одной строкой кода, сократить время выхода на рынок с месяцев до нескольких недель и гарантировать успех в производстве.

Вы начали с команды из 6 человек, и теперь обслуживаете крупные предприятия. Можете ли вы рассказать о росте компании и некоторых проблемах, с которыми вы столкнулись?

Мы рады росту, которого мы достигли с момента основания в 2019 году. Теперь у нас более 50 сотрудников и более 55 миллионов долларов финансирования на сегодняшний день, и мы уверены, что можем продолжать помогать разработчикам осознавать и действовать в соответствии с истинным потенциалом ИИ. С момента запуска мы были включены в список CB Insights’ AI 100, достигли прорывных достижений, таких как наше семейство моделей, обеспечивающих прорывную производительность глубокого обучения на CPU, и укрепили значимые сотрудничества, включая с крупными компаниями, такими как Intel.

Хотели бы вы еще чем-нибудь поделиться о Deci AI?

Как я упоминал ранее, пробел в эффективности ИИ продолжает вызывать серьезные препятствия на пути превращения ИИ в продукт. «Сдвиг влево» – учет ограничений производства на ранних стадиях цикла разработки – снижает время и стоимость, потраченные на исправление потенциальных препятствий при развертывании моделей глубокого обучения в производство. Наша платформа доказала свою способность сделать именно это, предоставляя компаниям инструменты, необходимые для успешной разработки и развертывания революционных решений ИИ.

Наша цель проста – сделать ИИ широко доступным, недорогим и масштабируемым.

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