Yonatan Geifman, CEO dhe Bashkëthemelues i Serisë së Intervistave Deci

Yonatan Geifman është CEO dhe Bashkëthemelues i Vendimi i cili transformon modelet e AI në zgjidhje të nivelit të prodhimit në çdo harduer. Deci është njohur si një novator i teknologjisë për Edge AI nga Gartner dhe është përfshirë në listën AI 100 të CB Insights. Performanca e teknologjisë së saj të pronarit vendosi rekorde të reja në MLPerf me Intel.

Çfarë ju tërhoqi fillimisht në mësimin e makinerive?

Që në moshë të re, kam qenë gjithmonë i magjepsur nga teknologjitë më të avancuara – jo vetëm duke i përdorur ato, por duke kuptuar me të vërtetë se si funksionojnë.

Ky magjepsje gjatë gjithë jetës hapi rrugën drejt studimeve të mia të doktoratës në shkenca kompjuterike, ku kërkimi im u fokusua në Rrjetet Neurale të Thella (DNN). Ndërsa arrita të kuptoja këtë teknologji kritike në një mjedis akademik, fillova të kuptoj me të vërtetë mënyrat se si AI mund të ndikojë pozitivisht në botën përreth nesh. Nga qytetet inteligjente që mund të monitorojnë më mirë trafikun dhe të reduktojnë aksidentet, te automjetet autonome që kërkojnë pak ose aspak ndërhyrje njerëzore, te pajisjet mjekësore që shpëtojnë jetë – ka aplikacione të pafundme ku AI mund të përmirësojë shoqërinë. Gjithmonë e dija se doja të merrja pjesë në atë revolucion.

A mund të ndani historinë e gjenezës pas Deci AI?

Nuk është e vështirë të dallosh – siç bëra kur isha në shkollë për doktoraturën time – se sa e dobishme mund të jetë AI në rastet e përdorimit në të gjithë bordin. Megjithatë, shumë ndërmarrje luftojnë për të përfituar nga potenciali i plotë i AI ndërsa zhvilluesit përballen vazhdimisht me një betejë të vështirë për të zhvilluar modele të mësimit të thellë të gatshëm për prodhim për vendosje. Me fjalë të tjera, mbetet shumë e vështirë të prodhosh AI.

Këto sfida mund t'i atribuohen kryesisht hendekut të efikasitetit të AI me të cilin përballet industria. Algoritmet po rriten në mënyrë eksponenciale më të fuqishme dhe kërkojnë më shumë fuqi llogaritëse, por paralelisht ato duhet të vendosen në një mënyrë efikase me kosto, shpesh në pajisjet e skajshme me burime të kufizuara.

Bashkëthemeluesit e mi Prof. Ran El-Yaniv, Jonathan Elial dhe unë bashkëthemeluam Deci për të adresuar këtë sfidë. Dhe ne e bëmë atë në të vetmen mënyrë që e pamë të mundshme – duke përdorur vetë AI për të krijuar gjeneratën e ardhshme të të mësuarit të thellë. Ne përqafuam një qasje të parë algoritmike, duke punuar për të përmirësuar efikasitetin e algoritmeve të AI në fazat e mëparshme, të cilat nga ana e tyre do t'i fuqizojnë zhvilluesit të ndërtojnë dhe të punojnë me modele që ofrojnë nivelet më të larta të saktësisë dhe efikasitetit për çdo harduer të dhënë konkluzion.

Të mësuarit e thellë është në thelb të Deci AI, a mund ta përcaktoni atë për ne?

Të mësuarit e thellë, si mësimi i makinerive, është një nënfushë e AI, e vendosur për të fuqizuar një epokë të re aplikacionesh. Të mësuarit e thellë frymëzohet shumë nga mënyra se si është strukturuar truri i njeriut, kjo është arsyeja pse kur diskutojmë të mësuarit e thellë, diskutojmë "rrjetet nervore". Kjo është shumë e rëndësishme për aplikacionet e skajshme (mendoni kamerat në qytetet inteligjente, sensorët në automjetet autonome, zgjidhjet analitike në kujdesin shëndetësor) ku modelet e mësimit të thellë në vend janë thelbësore për gjenerimin e njohurive të tilla në kohë reale.

Çfarë është Kërkimi i Arkitekturës Neurale?

Kërkimi i Arkitekturës Neurale (NAS) është një disiplinë teknologjike që synon marrjen e modeleve më të mira të të mësuarit të thellë.

Puna pioniere e Google në NAS në 2017 ndihmoi në sjelljen e temës në rrjedhën kryesore, të paktën brenda qarqeve kërkimore dhe akademike.

Qëllimi i NAS është të gjejë arkitekturën më të mirë të rrjetit nervor për një problem të caktuar. Ai automatizon projektimin e DNN-ve, duke siguruar performancë më të lartë dhe humbje më të ulëta sesa arkitekturat e dizajnuara me dorë. Ai përfshin një proces ku një algoritëm kërkon midis një hapësire totale prej miliona arcuitecures modele të disponueshme, për të nxjerrë një arkitekturë të përshtatshme në mënyrë unike për të zgjidhur atë problem të veçantë. Për ta thënë thjesht, ai përdor AI për të hartuar AI të re, bazuar në nevojat specifike të çdo projekti të caktuar.

Përdoret nga ekipet për të thjeshtuar procesin e zhvillimit, për të reduktuar përsëritjet e provave dhe gabimeve dhe për të siguruar që ato të përfundojnë me modelin përfundimtar që mund t'i shërbejë më së miri saktësisë dhe objektivave të performancës së aplikacioneve.

Cilat janë disa nga kufizimet e Kërkimit të Arkitekturës Neurale?

Kufizimet kryesore të NAS tradicionale janë aksesueshmëria dhe shkallëzueshmëria. NAS sot përdoret kryesisht në mjedise kërkimore dhe zakonisht kryhet vetëm nga gjigantët e teknologjisë si Google dhe Facebook, ose në institutet akademike si Stanford pasi teknikat tradicionale të NAS janë të ndërlikuara për t'u kryer dhe kërkojnë shumë burime llogaritëse.

Kjo është arsyeja pse unë jam kaq krenar për arritjet tona në zhvillimin e teknologjisë novator AutoNAC (Automated Neural Architecture Construction) të Deci, e cila demokratizon NAS dhe u mundëson kompanive të të gjitha madhësive të ndërtojnë lehtësisht arkitektura modelesh të personalizuara me saktësi dhe saktësi më të mirë se sa më moderne. shpejtësia për aplikimet e tyre.

Si është i ndryshëm zbulimi i kundërshtimeve të të mësuarit bazuar në llojin e imazhit?

Çuditërisht, domeni i imazheve nuk ndikon në mënyrë dramatike në procesin e trajnimit të modeleve të zbulimit të objekteve. Nëse jeni duke kërkuar për një këmbësor në rrugë, një tumor në një skanim mjekësor, ose një armë të fshehur në një imazh me rreze x të marrë nga siguria e aeroportit, procesi është pothuajse i njëjtë. Të dhënat që përdorni për të trajnuar modelin tuaj duhet të jenë përfaqësuese të detyrës në fjalë dhe madhësia dhe struktura e modelit mund të ndikohen nga madhësia, forma dhe kompleksiteti i objekteve në imazhin tuaj.

Si ofron Deci AI një platformë nga fundi në fund për të mësuarit e thellë?

Platforma e Deci i fuqizon zhvilluesit të ndërtojnë, trajnojnë dhe vendosin modele të sakta dhe të shpejta të të mësuarit të thellë në prodhim. Duke vepruar kështu, ekipet mund të shfrytëzojnë praktikat më të avancuara të kërkimit dhe inxhinierisë me një linjë kodi, të shkurtojnë kohën e tregtimit për muaj në dy javë dhe të garantojnë sukses në prodhim.

Fillimisht keni filluar me një ekip prej 6 personash dhe tani po u shërbeni ndërmarrjeve të mëdha. A mund të diskutoni mbi rritjen e kompanisë dhe disa nga sfidat me të cilat jeni përballur?

Jemi të entuziazmuar me rritjen që kemi arritur që nga fillimi në 2019. Tani, me mbi 50 punonjës dhe mbi 55 milionë dollarë financim deri më sot, kemi besim se mund të vazhdojmë t'i ndihmojmë zhvilluesit të kuptojnë dhe të veprojnë sipas potencialit të vërtetë të AI. Që nga fillimi, ne jemi përfshirë në AI 100 e CB Insights, bëri arritje novatore, të tilla si familja jonë e modeleve që sjellin përparim performanca e të mësuarit të thellë në CPU, dhe forcoi bashkëpunime domethënëse, duke përfshirë emra të mëdhenj si Intel.

A ka ndonjë gjë tjetër që dëshironi të ndani në lidhje me Deci AI?

Siç e përmenda më parë, hendeku i efikasitetit të AI vazhdon të shkaktojë pengesa të mëdha për prodhimin e AI. "Shkëmbimi majtas" - llogaritja e kufizimeve të prodhimit në fillim të ciklit jetësor të zhvillimit, zvogëlon kohën dhe koston e shpenzuar për rregullimin e pengesave të mundshme gjatë vendosjes së modeleve të mësimit të thellë në prodhim në linjë. Platforma jonë ka dëshmuar në gjendje ta bëjë këtë duke u ofruar kompanive mjetet e nevojshme për të zhvilluar dhe vendosur me sukses zgjidhjet e AI që ndryshojnë botën.

Qëllimi ynë është i thjeshtë – ta bëjmë AI gjerësisht të aksesueshme, të përballueshme dhe të shkallëzueshme.

Faleminderit për intervistën e mrekullueshme, lexuesit që dëshirojnë të mësojnë më shumë duhet ta vizitojnë Vendimi.