Yashar Behzadi, VD för Synthesis AI – Intervjuer

Yashar Behzadi PhD är VD och grundare av Synthesis AI. Han är en erfaren entreprenör som har byggt omvälvande företag inom AI, medicinteknik och IoT-marknader. Han har tillbringat de senaste 14 åren i Silicon Valley med att bygga och skala datacentrerade teknologiföretag. Yashar har över 30 patenter och patenter som väntar och en doktorsexamen från UCSD med fokus på spatial-temporalt modellering av funktionell hjärnbildning.

Synthesis AI är ett startup-företag vid skärningspunkten mellan djupinlärning och CGI, som skapar en ny paradigm för utveckling av datormodeller. De möjliggör för kunder att utveckla bättre modeller till en bråkdel av den tid och kostnad som traditionella människobaserade tillvägagångssätt kräver.

Hur blev du initialt involverad i datavetenskap och AI?

Jag avlade en doktorsexamen från UCSD 2006 med fokus på datavetenskap och spatial-temporalt modellering av hjärnbildningsdata. Jag arbetade sedan i Silicon Valley vid skärningspunkten mellan sensorer, data och maskinlärning inom olika branscher under de följande 16 åren. Jag känner mig mycket lycklig att ha möjligheten att arbeta med några anmärkningsvärda teknologier, och jag har över 30 patenter som har utfärdats eller lämnats in med fokus på signalbehandling, maskinlärning och datavetenskap.

Kan du dela Synthesis AI:s ursprungsberättelse?

Innan jag grundade Synthesis AI 2019, ledde jag ett globalt AI-tjänsteföretag som utvecklade datormodeller för ledande teknologiföretag. Oavsett företagets storlek upptäckte jag att vi var extremt begränsade av kvaliteten och mängden märkt träningsdata. När företag expanderade geografiskt, ökade sin kundbas eller utvecklade nya modeller och ny hårdvara, krävdes ny träningsdata för att säkerställa att modellerna fungerade tillräckligt bra. Det blev också tydligt att framtiden för datavetenskap inte skulle vara framgångsrik med dagens mänskliga tillvägagångssätt för annotering. Framväxande datavetenskapsapplikationer inom autonomi, robotik och AR/VR/metaverse kräver en rik uppsättning 3D-etiketter, djupinformation, material egenskaper, detaljerad segmentering osv., som människor inte kan märka. En ny paradigm behövdes för att tillhandahålla den nödvändiga rika uppsättningen etiketter för att träna dessa nya modeller. Utöver tekniska drivkrafter såg vi en ökande konsument- och regulatorisk granskning av etiska frågor relaterade till modellbias och konsumentintegritet.

Jag etablerade Synthesis AI i avsikt att förvandla datavetenskapsparadigmet. Företagets syntetiska data-genereringsplattform möjliggör generering av fotorealistiska bilddata med en utökad uppsättning 3D-pixelperfekta etiketter. Vår mission är att bana väg för syntetiska data-teknologier för att möjliggöra etisk utveckling av mer kapabla modeller.

För läsare som är ovana vid denna term, kan du definiera vad syntetisk data är?

Syntetisk data är datorgenererad data som fungerar som en alternativ till realvärldens data. Syntetisk data skapas i simulerade digitala världar snarare än insamlad från eller mätt i den verkliga världen. Genom att kombinera verktyg från världen av visuella effekter och CGI med generativa AI-modeller, möjliggör Synthesis AI för företag att skapa stora mängder fotorealistisk, diversifierad data på begäran för att träna datormodeller. Företagets data-genereringsplattform minskar kostnaden och tiden för att få högkvalitativ bilddata med flera storleksordningar samtidigt som den bevarar integriteten.

Kan du diskutera hur syntetisk data genereras?

En syntetisk datamängd skapas konstgjort snarare än genom realvärldens data. Teknologier från den visuella effektbranschen kopplas samman med generativa neurala nätverk för att skapa stora, diversifierade och fotorealistiska märkta bilddata. Syntetisk data möjliggör skapande av träningsdata till en bråkdel av den tid och kostnad som nuvarande tillvägagångssätt kräver.

Hur skapar användning av syntetisk data en konkurrensfördel?

För närvarande använder de flesta AI-system “övervakad inlärning” där människor märker nyckelattribut i bilder och sedan tränar AI-algoritmer för att tolka bilderna. Detta är en resurs- och tidskrävande process och är begränsad av vad människor kan märka korrekt. Dessutom har problemen med AI-demografisk bias och konsumentintegritet förstärkts, vilket gör det allt svårare att få representativ mänsklig data.

Vår tillvägagångssätt är att skapa fotorealistiska digitala världar som syntetiserar komplex bilddata. Eftersom vi genererar data, vet vi allt om scenerna, inklusive tidigare otillgänglig information om 3D-placeringen av objekt och deras komplexa interaktioner med varandra och miljön. Att få och märka denna mängd data med nuvarande tillvägagångssätt skulle ta månader, om inte år. Denna nya paradigm kommer att möjliggöra en 100-gånger förbättring av effektivitet och kostnad och kommer att driva en ny klass av mer kapabla modeller.

Eftersom syntetisk data genereras konstgjort, elimineras många bias och integritetsproblem som är förknippade med traditionell insamling av data från den verkliga världen.

Hur möjliggör generering av data på begäran accelererad skalning?

Att fånga och förbereda realvärldens data för modellträning är en lång och tråkig process. Att distribuera den nödvändiga hårdvaran kan vara förbjudande dyrt för komplicerade datavetenskaps-system som autonoma fordon, robotik eller satellitbilder. När data väl har fångats, märker och annoterar människor viktiga funktioner. Denna process är benägen till fel, och människor är begränsade i sin förmåga att märka nyckelinformation som 3D-placering som krävs för många applikationer.

Syntetisk data är flera storleksordningar snabbare och billigare än traditionella människobaserade tillvägagångssätt och kommer att accelerera distributionen av nya och mer kapabla modeller inom branscher.

Hur möjliggör syntetisk data en minskning eller förebyggande av AI-bias?

AI-system är allomfattande men kan innehålla inbyggda bias som kan påverka grupper av människor. Datamängder kan vara obalanserade med vissa klasser av data och antingen över- eller underrepresentera grupper av människor. Att bygga människocentrerade system kan ofta leda till kön, etnicitet och åldersbias. I kontrast är design-genererad träningsdata ordentligt balanserad och saknar mänsklig bias.

Syntetisk data kan bli en robust lösning för att lösa AI-bias-problemet. Syntetisk data genereras delvis eller helt konstgjort snarare än mätt eller extraherat från realvärldens händelser eller fenomen. Om datamängden inte är tillräckligt diversifierad eller stor, kan AI-genererad data fylla i luckorna och bilda en obiased datamängd. Det bästa är att manuellt skapa dessa datamängder kan ta team flera månader eller år att slutföra. När de är utformade med syntetisk data, kan det göras över natten.

Utöver datavetenskap, vad är några framtida potentiella användningsområden för syntetisk data?

Utöver de många datavetenskapsapplikationerna som är relaterade till konsumentprodukter, autonomi, robotik, AR/VR/metaverse och mer, kommer syntetisk data också att påverka andra data-modaliteter. Vi ser redan företag som använder syntetisk data-tillvägagångssätt för strukturerad tabellformad data, röst och naturlig språkbehandling. De underliggande teknologierna och genereringspipelinen skiljer sig för varje modalitet, och i nära framtid förväntar vi oss att se multi-modala system (t.ex. video + röst).

Finns det något annat du vill dela om Synthesis AI?

I slutet av förra året släppte vi HumanAPI, en betydande utvidgning av Synthesis AI:s syntetiska data-funktioner som möjliggör programmatisk generering av miljontals unika, högkvalitativa 3D-digitala människor. Detta tillkännagivande kommer månader efter lanseringen av FaceAPI-syntetisk data-tjänst, som har levererat över 10 miljoner märkta ansiktsbilder för ledande smartphone-, videokonferens-, bil- och teknologiföretag. HumanAPI är nästa steg i företagets resa för att stödja avancerade datavetenskaps-AI-applikationer.

HumanAPI möjliggör också en mängd nya möjligheter för våra kunder, inklusive smarta AI-assistenter, virtuella fitness-coacher och naturligtvis metaverse-applikationer.

Genom att skapa en digital kopia av den verkliga världen, kommer metaverse att möjliggöra nya applikationer som omfattar omkonstruerade sociala nätverk, underhållningsupplevelser, videokonferenser, spel och mer. Datavetenskaps-AI kommer att vara grundläggande för hur den verkliga världen fångas och återskapas med hög trohet i den digitala världen. Fotorealistiska, uttrycksfulla och beteendemässigt korrekta människor kommer att vara en avgörande komponent i framtiden för datavetenskaps-applikationer. HumanAPI är den första produkten som möjliggör för företag att skapa stora mängder perfekt märkt helkroppsdata på begäran för att bygga mer kapabla AI-modeller, inklusive pose-estimering, känslighet, aktivitet och beteendekaraktärisering, ansiktsrekonstruktion och mer.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Synthesis AI.