ต้นขั้ว Yonatan Geifman ซีอีโอและผู้ร่วมก่อตั้ง Deci - ซีรี่ส์สัมภาษณ์ - Unite.AI
เชื่อมต่อกับเรา

บทสัมภาษณ์

Yonatan Geifman ซีอีโอและผู้ร่วมก่อตั้ง Deci – ซีรีส์สัมภาษณ์

mm

การตีพิมพ์

 on

โยนาตัน ไกฟ์แมน เป็น CEO และผู้ร่วมก่อตั้งของ Deci ซึ่งเปลี่ยนโมเดล AI เป็นโซลูชันระดับการผลิตบนฮาร์ดแวร์ใดๆ Deci ได้รับการยอมรับในฐานะผู้ริเริ่มเทคโนโลยีสำหรับ Edge AI โดย Gartner และรวมอยู่ในรายการ AI 100 ของ CB Insights ประสิทธิภาพของเทคโนโลยีที่เป็นกรรมสิทธิ์สร้างสถิติใหม่ที่ MLPerf ด้วย Intel

อะไรดึงดูดให้คุณสนใจแมชชีนเลิร์นนิงในตอนแรก

ตั้งแต่อายุยังน้อย ฉันรู้สึกทึ่งกับเทคโนโลยีล้ำยุคเสมอ ไม่ใช่แค่ใช้มันเท่านั้น แต่ยังเข้าใจวิธีการทำงานของมันอย่างแท้จริงด้วย

ความหลงใหลตลอดชีวิตนี้ปูทางสู่การศึกษาระดับปริญญาเอกด้านวิทยาการคอมพิวเตอร์ในท้ายที่สุด ซึ่งงานวิจัยของฉันมุ่งเน้นไปที่ Deep Neural Networks (DNNs) เมื่อฉันได้เข้าใจเทคโนโลยีที่สำคัญนี้ในแวดวงวิชาการ ฉันก็เริ่มเข้าใจอย่างแท้จริงว่า AI สามารถสร้างผลกระทบเชิงบวกต่อโลกรอบตัวเราได้อย่างไร ตั้งแต่เมืองอัจฉริยะที่สามารถตรวจสอบการจราจรได้ดีขึ้นและลดอุบัติเหตุ ไปจนถึงยานยนต์ไร้คนขับที่ไม่ต้องการการแทรกแซงของมนุษย์แม้แต่น้อยหรือไม่ต้องใช้เลย ไปจนถึงอุปกรณ์ทางการแพทย์ที่ช่วยชีวิต – มีแอปพลิเคชันที่ไม่รู้จบซึ่ง AI สามารถทำให้สังคมดีขึ้นได้ ฉันรู้อยู่เสมอว่าฉันต้องการมีส่วนร่วมในการปฏิวัติครั้งนั้น

คุณช่วยแบ่งปันเรื่องราวกำเนิดเบื้องหลัง Deci AI ได้ไหม?

ไม่ใช่เรื่องยากที่จะรับรู้ – เหมือนตอนที่ฉันเรียนปริญญาเอก – AI มีประโยชน์อย่างไรในกรณีการใช้งานทั่วกระดาน องค์กรจำนวนมากพยายามใช้ประโยชน์จากศักยภาพสูงสุดของ AI ในขณะที่นักพัฒนาต้องเผชิญกับการต่อสู้ที่ยากลำบากอย่างต่อเนื่องเพื่อพัฒนาโมเดลการเรียนรู้เชิงลึกที่พร้อมสำหรับการผลิตสำหรับการใช้งานจริง กล่าวอีกนัยหนึ่ง การผลิต AI ยังคงเป็นเรื่องยากมาก

ความท้าทายเหล่านี้ส่วนใหญ่เป็นผลมาจากช่องว่างด้านประสิทธิภาพของ AI ที่อุตสาหกรรมเผชิญอยู่ อัลกอริทึมกำลังเติบโตอย่างมีประสิทธิภาพมากขึ้นและต้องการพลังการประมวลผลมากขึ้น แต่ในขณะเดียวกันก็จำเป็นต้องปรับใช้ด้วยวิธีที่ประหยัดค่าใช้จ่าย ซึ่งมักจะใช้กับอุปกรณ์ Edge ที่มีทรัพยากรจำกัด

ผู้ร่วมก่อตั้งของฉัน Prof. Ran El-Yaniv, Jonathan Elial และฉันได้ร่วมก่อตั้ง Deci เพื่อจัดการกับความท้าทายนั้น และเราทำมันด้วยวิธีเดียวที่เราเห็นว่าเป็นไปได้ โดยใช้ AI เองเพื่อสร้างการเรียนรู้เชิงลึกรุ่นต่อไป เรายอมรับแนวทางของอัลกอริทึมก่อน โดยทำงานเพื่อปรับปรุงประสิทธิภาพของอัลกอริทึม AI ในขั้นตอนก่อนหน้านี้ ซึ่งจะช่วยให้นักพัฒนาสามารถสร้างและทำงานกับโมเดลที่ให้ความแม่นยำและประสิทธิภาพในระดับสูงสุดสำหรับฮาร์ดแวร์การอนุมานใดๆ

การเรียนรู้เชิงลึกเป็นหัวใจสำคัญของ Deci AI คุณช่วยนิยามให้เราได้ไหม

การเรียนรู้เชิงลึก เช่น แมชชีนเลิร์นนิง เป็นสาขาย่อยของ AI ซึ่งถูกกำหนดขึ้นเพื่อเสริมศักยภาพของแอปพลิเคชันยุคใหม่ การเรียนรู้เชิงลึกได้รับแรงบันดาลใจอย่างมากจากโครงสร้างสมองของมนุษย์ ซึ่งเป็นเหตุผลว่าทำไมเมื่อเราพูดถึงการเรียนรู้เชิงลึก เราจึงพูดถึง "โครงข่ายประสาทเทียม" สิ่งนี้มีความเกี่ยวข้องอย่างยิ่งสำหรับแอปพลิเคชัน Edge (เช่น กล้องในเมืองอัจฉริยะ เซ็นเซอร์บนยานพาหนะไร้คนขับ โซลูชันการวิเคราะห์ในการดูแลสุขภาพ) ซึ่งโมเดลการเรียนรู้เชิงลึกในสถานที่นั้นมีความสำคัญอย่างยิ่งต่อการสร้างข้อมูลเชิงลึกดังกล่าวในแบบเรียลไทม์

การค้นหาสถาปัตยกรรมประสาทคืออะไร?

Neural Architecture Search (NAS) เป็นสาขาวิชาทางเทคโนโลยีที่มีเป้าหมายเพื่อให้ได้โมเดลการเรียนรู้เชิงลึกที่ดีขึ้น

งานบุกเบิกของ Google เกี่ยวกับ NAS ในปี 2017 ช่วยให้หัวข้อนี้กลายเป็นกระแสหลัก อย่างน้อยก็ในแวดวงการวิจัยและวิชาการ

เป้าหมายของ NAS คือการค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมที่ดีที่สุดสำหรับปัญหาที่กำหนด มันทำให้การออกแบบ DNN เป็นไปโดยอัตโนมัติ ทำให้มั่นใจได้ถึงประสิทธิภาพที่สูงขึ้นและการสูญเสียที่ต่ำกว่าสถาปัตยกรรมที่ออกแบบด้วยตนเอง มันเกี่ยวข้องกับกระบวนการที่อัลกอริทึมค้นหาระหว่างพื้นที่รวมของโมเดล arcuitecures นับล้านที่มีอยู่ เพื่อให้ได้สถาปัตยกรรมที่เหมาะสมโดยเฉพาะในการแก้ปัญหานั้น พูดง่ายๆ ก็คือใช้ AI ในการออกแบบ AI ใหม่ โดยอิงจากความต้องการเฉพาะของโครงการใดก็ตาม

ทีมงานใช้โปรแกรมนี้เพื่อลดความซับซ้อนของกระบวนการพัฒนา ลดการลองผิดลองถูกซ้ำๆ และทำให้มั่นใจว่าจะได้โมเดลที่ดีที่สุดที่สามารถตอบสนองเป้าหมายด้านประสิทธิภาพและความแม่นยำของแอปพลิเคชันได้ดีที่สุด

ข้อจำกัดของการค้นหาสถาปัตยกรรมประสาทมีอะไรบ้าง

ข้อจำกัดหลักของ NAS แบบดั้งเดิมคือการเข้าถึงและความสามารถในการปรับขนาด ปัจจุบัน NAS ส่วนใหญ่จะใช้ในการตั้งค่าการวิจัย และโดยทั่วไปแล้วดำเนินการโดยยักษ์ใหญ่ด้านเทคโนโลยี เช่น Google และ Facebook หรือที่สถาบันการศึกษาอย่าง Stanford เนื่องจากเทคนิค NAS แบบดั้งเดิมนั้นซับซ้อนในการดำเนินการและต้องใช้ทรัพยากรในการคำนวณจำนวนมาก

นั่นเป็นเหตุผลที่ฉันภูมิใจในความสำเร็จของเราในการพัฒนาเทคโนโลยี AutoNAC (Automated Neural Architecture Construction) ที่ก้าวล้ำของ Deci ซึ่งทำให้ NAS เป็นประชาธิปไตยและช่วยให้บริษัททุกขนาดสร้างสถาปัตยกรรมแบบจำลองที่กำหนดเองได้อย่างง่ายดายด้วยความแม่นยำที่ดีกว่าล้ำสมัยและ ความเร็วในการใช้งาน

การตรวจจับการคัดค้านการเรียนรู้แตกต่างกันอย่างไรตามประเภทของภาพ ?

น่าแปลกที่โดเมนของรูปภาพไม่ส่งผลกระทบต่อกระบวนการฝึกโมเดลการตรวจจับวัตถุมากนัก ไม่ว่าคุณจะกำลังมองหาคนเดินถนน เนื้องอกในการสแกนทางการแพทย์ หรืออาวุธที่ซ่อนอยู่ในภาพเอ็กซเรย์ที่ถ่ายโดยเจ้าหน้าที่รักษาความปลอดภัยของสนามบิน กระบวนการก็ค่อนข้างเหมือนกัน ข้อมูลที่คุณใช้ในการฝึกโมเดลของคุณต้องเป็นตัวแทนของงานที่มีอยู่ และขนาดและโครงสร้างของโมเดลอาจได้รับผลกระทบจากขนาด รูปร่าง และความซับซ้อนของวัตถุในภาพของคุณ

Deci AI เสนอแพลตฟอร์มแบบ end-to-end สำหรับการเรียนรู้เชิงลึกได้อย่างไร

แพลตฟอร์มของ Deci ช่วยให้นักพัฒนาสามารถสร้าง ฝึกฝน และปรับใช้โมเดลการเรียนรู้เชิงลึกที่แม่นยำและรวดเร็วในการผลิต ในการทำเช่นนั้น ทีมสามารถใช้ประโยชน์จากการวิจัยที่ทันสมัยที่สุดและแนวปฏิบัติที่ดีที่สุดด้านวิศวกรรมด้วยโค้ดเพียงบรรทัดเดียว ลดระยะเวลานำออกสู่ตลาดเป็นเวลาหลายเดือนถึงสองสามสัปดาห์ และรับประกันความสำเร็จในการผลิต

คุณเริ่มต้นด้วยทีมงาน 6 คน และตอนนี้คุณกำลังให้บริการองค์กรขนาดใหญ่ คุณช่วยพูดคุยเกี่ยวกับการเติบโตของบริษัทและความท้าทายบางอย่างที่คุณเผชิญได้ไหม

เราตื่นเต้นกับการเติบโตที่เราประสบความสำเร็จตั้งแต่เริ่มต้นในปี 2019 ปัจจุบัน พนักงานกว่า 50 คน และเงินทุนกว่า 55 ล้านดอลลาร์จนถึงปัจจุบัน เรามั่นใจว่าจะสามารถช่วยให้นักพัฒนาตระหนักและดำเนินการตามศักยภาพที่แท้จริงของ AI ได้ต่อไป นับตั้งแต่เปิดตัว เราได้รวมอยู่ใน CB Insights' AI 100สร้างความสำเร็จที่ก้าวล้ำ เช่น ตระกูลโมเดลของเราที่นำเสนอความก้าวหน้า ประสิทธิภาพการเรียนรู้เชิงลึกบน CPUและกระชับความร่วมมือที่มีความหมาย รวมทั้งกับบริษัทชื่อดังอย่างเช่น อินเทล.

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Deci AI

ดังที่ฉันได้กล่าวไว้ก่อนหน้านี้ ช่องว่างด้านประสิทธิภาพ AI ยังคงเป็นอุปสรรคสำคัญสำหรับการผลิต AI “การเลื่อนไปทางซ้าย” – คำนึงถึงข้อจำกัดในการผลิตในช่วงต้นของวงจรการพัฒนา ช่วยลดเวลาและต้นทุนที่ใช้ในการแก้ไขอุปสรรคที่อาจเกิดขึ้นเมื่อปรับใช้โมเดลการเรียนรู้เชิงลึกในสายการผลิต แพลตฟอร์มของเราได้รับการพิสูจน์แล้วว่าสามารถทำเช่นนั้นได้ด้วยการจัดหาเครื่องมือที่จำเป็นสำหรับบริษัทต่างๆ เพื่อพัฒนาและปรับใช้โซลูชัน AI ที่เปลี่ยนแปลงโลกได้สำเร็จ

เป้าหมายของเรานั้นง่ายมาก – ทำให้ AI เข้าถึงได้อย่างกว้างขวาง ราคาไม่แพง และปรับขนาดได้

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Deci

ผู้ร่วมก่อตั้ง unite.AI และเป็นสมาชิกของ สภาเทคโนโลยี Forbes อองตวนเป็นอ ผู้เป็นเจ้ายังมาไม่ถึง ผู้หลงใหลเกี่ยวกับอนาคตของ AI และหุ่นยนต์

เขายังเป็นผู้ก่อตั้ง หลักทรัพย์.ioซึ่งเป็นเว็บไซต์ที่เน้นการลงทุนด้านเทคโนโลยีก่อกวน