Yonatan Geifman, generálny riaditeľ a spoluzakladateľ Deci – série rozhovorov

Yonatan Geifman je generálnym riaditeľom a spoluzakladateľom spoločnosti Rozhodni ktorý transformuje modely AI na riešenia produkčnej úrovne na akomkoľvek hardvéri. Spoločnosť Deci bola uznaná ako technologický inovátor pre Edge AI spoločnosťou Gartner a zaradená do zoznamu AI 100 CB Insights. Výkon jeho patentovanej technológie stanovil nové rekordy na MLPerf s Intelom.

Čo ťa spočiatku priťahovalo k strojovému učeniu?

Od mladosti ma vždy fascinovali špičkové technológie – nielen ich používanie, ale aj skutočné pochopenie toho, ako fungujú.

Táto celoživotná fascinácia vydláždila cestu k môjmu prípadnému doktorandskému štúdiu informatiky, kde sa môj výskum zameral na hlboké neurónové siete (DNN). Keď som v akademickom prostredí pochopil túto kritickú technológiu, začal som skutočne chápať spôsoby, akými môže AI pozitívne ovplyvniť svet okolo nás. Od inteligentných miest, ktoré dokážu lepšie monitorovať premávku a znižovať nehodovosť, cez autonómne vozidlá, ktoré si vyžadujú malý alebo žiadny ľudský zásah, až po zdravotnícke zariadenia zachraňujúce život – existujú nekonečné aplikácie, v ktorých by AI mohla zlepšiť spoločnosť. Vždy som vedel, že sa chcem zúčastniť tej revolúcie.

Mohli by ste sa podeliť o príbeh vzniku Deci AI?

Nie je ťažké rozpoznať – ako som to urobil, keď som bol v škole na doktorandskom štúdiu – ako prospešná môže byť AI vo všetkých prípadoch použitia. Mnohé podniky sa však snažia využiť plný potenciál AI, pretože vývojári neustále čelia neľahkej bitke o vývoj modelov hlbokého učenia pripravených na nasadenie. Inými slovami, produkcia AI je stále veľmi náročná.

Tieto výzvy možno do značnej miery pripísať medzere v účinnosti AI, ktorej toto odvetvie čelí. Algoritmy rastú exponenciálne a sú výkonnejšie a vyžadujú viac výpočtového výkonu, ale súčasne je potrebné ich nasadiť nákladovo efektívnym spôsobom, často na okrajových zariadeniach s obmedzenými zdrojmi.

Moji spoluzakladatelia prof. Ran El-Yaniv, Jonathan Elial a ja sme spoluzakladali Deci, aby sme túto výzvu riešili. A urobili sme to jediným spôsobom, ktorý sme považovali za možný – pomocou samotnej AI na vytvorenie ďalšej generácie hlbokého učenia. Prijali sme prístup založený na algoritme, ktorý pracuje na zlepšení účinnosti algoritmov AI v skorších fázach, čo umožní vývojárom vytvárať a pracovať s modelmi, ktoré poskytujú najvyššiu úroveň presnosti a efektívnosti pre akýkoľvek daný inferenčný hardvér.

Hlboké učenie je jadrom Deci AI, mohli by ste nám ho definovať?

Hlboké učenie, podobne ako strojové učenie, je podoblasť umelej inteligencie, ktorá má podporiť novú éru aplikácií. Hlboké učenie je silne inšpirované tým, ako je štruktúrovaný ľudský mozog, a preto, keď hovoríme o hlbokom učení, hovoríme o „neurónových sieťach“. To je mimoriadne dôležité pre okrajové aplikácie (napríklad kamery v inteligentných mestách, senzory na autonómnych vozidlách, analytické riešenia v zdravotníctve), kde sú modely hlbokého učenia na mieste rozhodujúce pre generovanie takýchto prehľadov v reálnom čase.

Čo je vyhľadávanie neurónovej architektúry?

Neural Architecture Search (NAS) je technologická disciplína zameraná na získanie lepších modelov hlbokého učenia.

Priekopnícka práca spoločnosti Google na NAS v roku 2017 pomohla dostať túto tému do hlavného prúdu, aspoň vo výskumných a akademických kruhoch.

Cieľom NAS je nájsť najlepšiu architektúru neurónovej siete pre daný problém. Automatizuje návrh DNN, čím zaisťuje vyšší výkon a nižšie straty ako ručne navrhnuté architektúry. Zahŕňa proces, pri ktorom algoritmus vyhľadáva v súhrnnom priestore miliónov dostupných modelových archuitecures, aby získal architektúru jedinečne vhodnú na vyriešenie konkrétneho problému. Zjednodušene povedané, využíva AI na navrhovanie novej AI na základe špecifických potrieb každého daného projektu.

Používajú ho tímy na zjednodušenie procesu vývoja, zníženie opakovania pokusov a omylov a zaistenie toho, že nakoniec získajú dokonalý model, ktorý môže najlepšie slúžiť cieľom presnosti a výkonu aplikácií.

Aké sú niektoré obmedzenia vyhľadávania neurónovej architektúry?

Hlavnými obmedzeniami tradičného NAS sú dostupnosť a škálovateľnosť. NAS sa dnes väčšinou používa vo výskumných prostrediach a zvyčajne ho vykonávajú iba technologickí giganti, ako sú Google a Facebook, alebo na akademických inštitútoch, ako je Stanford, pretože vykonávanie tradičných techník NAS je zložité a vyžadujú si veľa výpočtových zdrojov.

Preto som taký hrdý na naše úspechy pri vývoji prelomovej technológie AutoNAC (Automated Neural Architecture Construction) od spoločnosti Deci, ktorá demokratizuje NAS a umožňuje spoločnostiam všetkých veľkostí jednoducho vytvárať vlastné modelové architektúry s presnosťou a presnosťou, ktorá je lepšia ako najmodernejšie. rýchlosť pre ich aplikácie.

Ako sa líši detekcia učiacich sa námietok v závislosti od typu obrázka?

Prekvapivo doména obrázkov dramaticky neovplyvňuje tréningový proces modelov detekcie objektov. Či už hľadáte chodca na ulici, nádor na lekárskej snímke alebo skrytú zbraň na röntgenovej snímke, ktorú urobila bezpečnostná služba letiska, proces je takmer rovnaký. Údaje, ktoré používate na trénovanie svojho modelu, musia byť reprezentatívne pre danú úlohu a veľkosť a štruktúra modelu môžu byť ovplyvnené veľkosťou, tvarom a zložitosťou objektov na vašom obrázku.

Ako Deci AI ponúka komplexnú platformu pre hlboké vzdelávanie?

Platforma Deci umožňuje vývojárom vytvárať, trénovať a nasadzovať presné a rýchle modely hlbokého učenia do produkcie. Pritom môžu tímy využiť najmodernejšie výskumné a inžinierske osvedčené postupy s jedným riadkom kódu, skrátiť čas uvedenia na trh na mesiace až niekoľko týždňov a zaručiť úspech vo výrobe.

Spočiatku ste začínali s tímom 6 ľudí a teraz slúžite veľkým podnikom. Mohli by ste prediskutovať rast spoločnosti a niektoré výzvy, ktorým ste čelili?

Sme nadšení z rastu, ktorý sme dosiahli od začiatku v roku 2019. Teraz, s viac ako 50 zamestnancami a financovaním viac ako 55 miliónov USD k dnešnému dňu, sme presvedčení, že môžeme aj naďalej pomáhať vývojárom realizovať skutočný potenciál AI a konať podľa neho. Od spustenia sme boli zaradení do AI 100 od CB Insights, dosiahla prevratné úspechy, ako napríklad naša rodina modelov, ktoré prinášajú prelom výkon hlbokého učenia na CPUa upevnili zmysluplnú spoluprácu, a to aj s veľkými menami ako napr Intel.

Je ešte niečo, o čo by ste sa chceli podeliť o Deci AI?

Ako som už spomenul, medzera v efektívnosti AI naďalej spôsobuje veľké prekážky pre produkciu AI. „Posun doľava“ – zohľadnenie výrobných obmedzení na začiatku životného cyklu vývoja znižuje čas a náklady vynaložené na odstraňovanie potenciálnych prekážok pri zavádzaní modelov hlbokého učenia sa vo výrobe. Naša platforma dokázala, že to dokáže práve tým, že spoločnostiam poskytuje nástroje potrebné na úspešný vývoj a nasadenie svetovo meniacich sa riešení AI.

Náš cieľ je jednoduchý – urobiť AI široko dostupnú, cenovo dostupnú a škálovateľnú.

Ďakujeme za skvelý rozhovor, čitatelia, ktorí sa chcú dozvedieť viac, by mali navštíviť Rozhodni.