Yonatan Geifman, VD & Medgrundare av Deci – Intervjuserie

Yonatan Geifman är VD & Medgrundare av Deci som förvandlar AI-modeller till produktionsklara lösningar på alla hårdvaror. Deci har erkänts som en teknisk innovatör för Edge AI av Gartner och ingår i CB Insights lista AI 100. Dess proprietära teknik satte nya rekord på MLPerf med Intel.

Vad var det som initialt drog dig till maskinlärning?

Sedan jag var ung har jag alltid varit fascinerad av spjutspetsteknologier – inte bara använda dem, utan verkligen förstå hur de fungerar.

Denna livslånga fascination bana väg för mina kommande doktorsstudier i datavetenskap där min forskning fokuserade på djupa neurala nätverk (DNN). När jag kom att förstå denna kritiska teknik i en akademisk miljö började jag verkligen förstå hur AI kan ha en positiv inverkan på världen omkring oss. Från smarta städer som kan övervaka trafik och minska olyckor, till autonoma fordon som kräver lite eller ingen mänsklig inblandning, till livräddande medicinska enheter – det finns oändliga tillämpningar där AI kan förbättra samhället. Jag visste alltid att jag ville delta i den revolutionen.

Kan du dela berättelsen om Deci AI:s uppkomst?

Det är inte svårt att känna igen – som jag gjorde när jag var i skolan för min doktorsexamen – hur fördelaktig AI kan vara i användningsfall över hela linjen. Ändå kämpar många företag för att utnyttja AI:s fulla potential eftersom utvecklare ständigt möter en uppförsbacke för att utveckla produktionsklara djupinlärningsmodeller för distribution. Med andra ord är det fortfarande super svårt att göra AI till en produkt.

Dessa utmaningar kan till stor del tillskrivas den AI-effektivitetsgap som branschen står inför. Algoritmer växer exponentiellt mer kraftfulla och kräver mer beräkningskraft, men samtidigt måste de distribueras på ett kostnadseffektivt sätt, ofta på resursbegränsade enheter på gränsen.

Mina medgrundare Prof. Ran El-Yaniv, Jonathan Elial och jag grundade Deci för att ta itu med den utmaningen. Och vi gjorde det på det enda sätt vi såg som möjligt – genom att använda AI själv för att skapa nästa generation av djupinlärning. Vi antog en algoritmiskt först-baserad ansats, som syftar till att förbättra effektiviteten hos AI-algoritmer i tidigare skeden, vilket i sin tur ska ge utvecklare möjlighet att bygga och arbeta med modeller som levererar de högsta nivåerna av noggrannhet och effektivitet för valfri given inferenshårdvara.

Djupinlärning ligger i hjärtat av Deci AI, kan du definiera det för oss?

Djupinlärning, liksom maskinlärning, är ett underområde av AI, som syftar till att möjliggöra en ny era av tillämpningar. Djupinlärning är starkt inspirerad av hur den mänskliga hjärnan är strukturerad, vilket är varför när vi diskuterar djupinlärning, diskuterar vi “neurala nätverk”. Detta är super relevant för gränsapplikationer (tänk på kameror i smarta städer, sensorer på autonoma fordon, analytiska lösningar inom hälsovården) där lokala djupinlärningsmodeller är avgörande för att generera sådana insikter i realtid.

Vad är Neural Architecture Search?

Neural Architecture Search (NAS) är en teknisk disciplin som syftar till att erhålla bättre djupinlärningsmodeller.

Googles banbrytande arbete med NAS 2017 hjälpte till att bringa ämnet in i mainstream, åtminstone inom forsknings- och akademiska kretsar.

Målet med NAS är att hitta den bästa neurala arkitekturen för ett givet problem. Det automatiserar designen av DNN, vilket säkerställer högre prestanda och lägre förluster än manuellt designade arkitekturer. Det innefattar en process där en algoritm söker bland en sammanlagd utrymme av miljontals tillgängliga modellarkitekturer, för att ge en arkitektur som är unikt anpassad för att lösa det specifika problemet. För att säga det enkelt, det använder AI för att designa ny AI, baserat på de specifika behoven i ett visst projekt.

Det används av team för att förenkla utvecklingsprocessen, minska antalet försök och fel och säkerställa att de slutar med den ultimata modellen som kan bäst tjäna tillämpningens noggrannhets- och prestandamål.

Vilka är några av begränsningarna av Neural Architecture Search?

Traditionell NAS huvudsakliga begränsningar är tillgänglighet och skalbarhet. NAS idag används mest i forskningsmiljöer och utförs vanligtvis endast av teknikjättar som Google och Facebook, eller på akademiska institut som Stanford, eftersom traditionella NAS-tekniker är komplicerade att genomföra och kräver mycket beräkningsresurser.

Därför är jag så stolt över våra prestationer i att utveckla Decis banbrytande AutoNAC (Automated Neural Architecture Construction) teknik, som demokratiserar NAS och möjliggör för företag av alla storlekar att enkelt bygga anpassade modellarkitekturer med bättre än state-of-the-art noggrannhet och hastighet för sina tillämpningar.

Hur skiljer sig inlärning av objektidentifiering sig beroende på bildtyp?

Förvånansvärt nog påverkar bildens domän inte dramatiskt utbildningsprocessen för objektidentifieringsmodeller. Oavsett om du letar efter en fotgängare på gatan, en tumör i en medicinsk skanning eller ett dolt vapen i en röntgenbild tagen av flygplatsens säkerhet, är processen ganska mycket densamma. De data som du använder för att träna din modell måste vara representativa för uppgiften, och modellens storlek och struktur kan påverkas av storleken, formen och komplexiteten hos objekten i din bild.

Hur erbjuder Deci AI en plattform för djupinlärning från början till slut?

Decis plattform möjliggör för utvecklare att bygga, träna och distribuera precisa och snabba djupinlärningsmodeller till produktion. Genom att göra detta kan team utnyttja den senaste forskningen och de bästa ingenjörsmetoderna med en enda rad kod, förkorta tiden till marknaden från månader till ett par veckor och garantera framgång i produktion.

Du började ursprungligen med ett team på 6 personer, och nu tjänar du stora företag. Kan du diskutera företagets tillväxt och några av de utmaningar du har mött?

Vi är glada över den tillväxt vi har uppnått sedan starten 2019. Nu, med över 50 anställda och över 55 miljoner dollar i finansiering hittills, är vi säkra på att vi kan fortsätta att hjälpa utvecklare att förverkliga och agera på AI:s sanna potential. Sedan lanseringen har vi varit med på CB Insights lista AI 100, uppnått banbrytande prestationer, såsom vår familj av modeller som levererar genombrott inom djupinlärningsprestanda på CPU:er, och etablerat meningsfulla samarbeten, inklusive med stora namn som Intel.

Finns det något annat du vill dela om Deci AI?

Som jag nämnde tidigare fortsätter AI-effektivitetsgapet att orsaka stora hinder för AI-produktisering. “Att flytta till vänster” – att ta hänsyn till produktionsbegränsningar tidigt i utvecklingslivscykeln, minskar den tid och kostnad som läggs på att åtgärda eventuella hinder när du distribuerar djupinlärningsmodeller i produktion längre fram. Vår plattform har visat sig kunna göra just det genom att ge företagen de verktyg som behövs för att framgångsrikt utveckla och distribuera världsändrande AI-lösningar.

Vårt mål är enkelt – att göra AI allmänt tillgänglig, prisvärd och skalbar.

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