Yonatan Geifman, VD och medgrundare av Deci – Intervjuserien

Yonatan Geifman är VD och medgrundare av Deci som förvandlar AI-modeller till produktionsklassade lösningar på vilken hårdvara som helst. Deci har erkänts som en Tech Innovator för Edge AI av Gartner och ingår i CB Insights AI 100-lista. Dess egenutvecklade teknologis prestanda satte nya rekord på MLPerf med Intel.

Vad lockade dig från början till maskininlärning?

Från en ung ålder var jag alltid fascinerad av banbrytande teknologier – inte bara att använda dem, utan att verkligen förstå hur de fungerar.

Denna livslånga fascination banade väg mot mina eventuella doktorandstudier i datavetenskap där min forskning fokuserade på Deep Neural Networks (DNN). När jag kom att förstå denna kritiska teknik i en akademisk miljö, började jag verkligen förstå hur AI kan påverka världen omkring oss positivt. Från smarta städer som bättre kan övervaka trafiken och minska olyckor, till autonoma fordon som kräver lite eller ingen mänsklig inblandning, till livräddande medicinsk utrustning – det finns oändliga applikationer där AI kan förbättra samhället. Jag har alltid vetat att jag ville delta i den revolutionen.

Skulle du kunna dela med dig av historien bakom Deci AI?

Det är inte svårt att inse – som jag gjorde när jag gick i skolan för att doktorera – hur fördelaktigt AI kan vara i användningsfall över hela linjen. Ändå kämpar många företag för att dra nytta av AI:s fulla potential eftersom utvecklare ständigt står inför en kamp i uppförsbacke för att utveckla produktionsklara modeller för djupinlärning för implementering. Med andra ord är det fortfarande supersvårt att producera AI.

Dessa utmaningar kan till stor del tillskrivas AI-effektivitetsgapet som branschen står inför. Algoritmer blir exponentiellt kraftfullare och kräver mer beräkningskraft men parallellt måste de distribueras på ett kostnadseffektivt sätt, ofta på resursbegränsade kantenheter.

Mina medgrundare Prof. Ran El-Yaniv, Jonathan Elial och jag var med och grundade Deci för att ta itu med den utmaningen. Och vi gjorde det på det enda sätt vi såg möjligt – genom att använda AI själv för att skapa nästa generations djupinlärning. Vi anammade ett algoritmiskt första tillvägagångssätt, och arbetade för att förbättra effektiviteten av AI-algoritmer i de tidigare stadierna, vilket i sin tur kommer att ge utvecklare möjlighet att bygga och arbeta med modeller som levererar de högsta nivåerna av noggrannhet och effektivitet för en given slutledningshårdvara.

Deep learning är kärnan i Deci AI, kan du definiera det för oss?

Djup inlärning, liksom maskininlärning, är ett underområde av AI, som kommer att ge en ny era av applikationer. Deep learning är starkt inspirerat av hur den mänskliga hjärnan är uppbyggd, varför när vi diskuterar djupinlärning diskuterar vi "neurala nätverk". Detta är superrelevant för edge-applikationer (tänk kameror i smarta städer, sensorer på autonoma fordon, analytiska lösningar inom sjukvården) där djupinlärningsmodeller på plats 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 få bättre modeller för djupinlärning.

Googles banbrytande arbete med NAS under 2017 bidrog till att ta upp ämnet till mainstream, åtminstone inom forsknings- och akademiska kretsar.

Målet med NAS är att hitta den bästa neurala nätverksarkitekturen för ett givet problem. Det automatiserar utformningen av DNN, vilket säkerställer högre prestanda och lägre förluster än manuellt designade arkitekturer. Det involverar en process där en algoritm söker bland ett aggregerat utrymme av miljontals tillgängliga modellarcuitecures, för att ge en arkitektur som är unikt lämpad för att lösa just det problemet. För att uttrycka det enkelt, det använder AI för att designa ny AI, baserat på de specifika behoven för ett givet projekt.

Den används av team för att förenkla utvecklingsprocessen, minska upprepningar av försök och fel och säkerställa att de får den ultimata modellen som bäst kan tjäna applikationernas noggrannhet och prestandamål.

Vilka är några av begränsningarna med Neural Architecture Search?

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

Det är därför jag är så stolt över våra prestationer när det gäller att utveckla Decis banbrytande AutoNAC-teknik (Automated Neural Architecture Construction), som demokratiserar NAS och gör det möjligt för företag av alla storlekar att enkelt bygga skräddarsydda modellarkitekturer med bättre noggrannhet än toppmodern och hastighet för sina applikationer.

Hur skiljer sig detektering av inlärningsinvändningar beroende på bildtyp?

Överraskande nog påverkar inte bildens domän dramatiskt träningsprocessen för objektdetekteringsmodeller. Oavsett om du letar efter en fotgängare på gatan, en tumör i en medicinsk skanning eller ett dolt vapen i en röntgenbild som tagits av flygplatssäkerhet, är processen i stort sett densamma. Datan som du använder för att träna din modell måste vara representativ för den aktuella uppgiften, och modellens storlek och struktur kan påverkas av storleken, formen och komplexiteten hos objekten i din bild.

Hur erbjuder Deci AI en end-to-end-plattform för djupinlärning?

Decis plattform ger utvecklare möjlighet att bygga, träna och distribuera korrekta och snabba djupinlärningsmodeller till produktion. Genom att göra det kan teamen dra nytta av den mest avancerade forskningen och tekniska bästa praxis med en rad kod, förkorta tiden till marknaden i månader till ett par veckor och garantera framgång i produktionen.

Du började först med ett team på 6 personer, och du betjänar nu stora företag. Kan du diskutera företagets tillväxt och några av de utmaningar du har ställts inför?

Vi är stolta över den tillväxt vi har uppnått sedan starten 2019. Nu, över 50 anställda och över $55 miljoner i finansiering hittills, är vi övertygade om att vi kan fortsätta att hjälpa utvecklare att inse och agera på AI:s verkliga potential. Sedan lanseringen har vi varit med på CB Insights AI 100, gjort banbrytande prestationer, som vår familj av modeller som ger genombrott djupinlärningsprestanda på processorer, och befäste meningsfulla samarbeten, bland annat med stora namn som Intel.

Finns det något mer du skulle vilja dela med dig av om Deci AI?

Som jag nämnde tidigare fortsätter AI-effektivitetsgapet att orsaka stora hinder för AI-produktion. "Skifta vänster" – att ta hänsyn till produktionsbegränsningar tidigt i utvecklingslivscykeln, minskar tiden och kostnaderna för att åtgärda potentiella hinder vid implementering av modeller för djupinlärning i produktionen längre fram. Vår plattform har visat sig kunna göra just det genom att förse företag med de verktyg som behövs för att framgångsrikt utveckla och distribuera världsföränderliga AI-lösningar.

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

Tack för den fina intervjun, läsare som vill veta mer bör besöka Deci.