นิก โรมาโน่ ผู้ร่วมก่อตั้งและซีอีโอของ Deeplite – ซีรีส์สัมภาษณ์

นิก โรมาโน่ เป็นผู้ร่วมก่อตั้งและซีอีโอของ Deeplite ซึ่งเป็นโซลูชันการเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI เพื่อทำให้เครือข่ายประสาทลึกทำงานได้เร็วขึ้น เล็กขึ้น และมีประสิทธิภาพด้านพลังงานมากขึ้น ตั้งแต่คลาวด์ไปจนถึงการประมวลผลขอบ

นิกเป็นผู้ประกอบการซีรีย์และซีอีโอที่มีผลลัพธ์ที่ประสบความสำเร็จมามากกว่า 20 ปี เมื่อเร็วๆ นี้เขาได้ร่วมก่อตั้งและขยายแพลตฟอร์ม SaaS ระดับองค์กรที่มีรายได้ประจำหลายล้านเหรียญสหรัฐฯ และมีพนักงานมากกว่า 100 คน เขาได้รับการยกย่องจากมหาวิทยาลัยแมคมาสเตอร์ วิศวกรรมศาสตร์ ว่าเป็นหนึ่งใน 150 ผู้สำเร็จการศึกษาที่ดีที่สุด

สิ่งใดที่ดึงดูดคุณให้เข้าสู่โลกของ AI ในตอนแรก?

ฉันอยู่ในอุตสาหกรรมเทคโนโลยีมามากกว่า 25 ปี และได้เห็นหลายรอบและแนวโน้ม บางส่วนเป็นแค่กระแส แต่ AI เป็นฟิลด์ที่มีพลังและเติบโตอย่างรวดเร็ว สิ่งที่ฉันรักเกี่ยวกับ AI คือวิธีการที่เทคโนโลยีนี้สามารถนำไปใช้ได้จริงในหลายๆ ด้านเพื่อปรับปรุงวิธีการที่คนอื่นอยู่และทำงาน ฉันต้องการเป็นส่วนหนึ่งของการเคลื่อนไหวนี้ อย่างไรก็ตาม มีหลายความท้าทายในการนำ AI ไปใช้ในโลกแห่งความเป็นจริง AI ต้องการความสามารถในการประมวลผลและพลังงานมากในการทำงานได้อย่างถูกต้อง ซึ่งไม่ใช่ปัญหาในห้องปฏิบัติการ แต่ถ้า AI มีขนาดใหญ่เกินไป หรือช้าเกินไป หรือใช้พลังงานมากเกินไป ก็จะยากที่จะนำ AI ไปใช้ในสถานการณ์จริง นั่นคือภารกิจและแรงดึงดูดที่แท้จริงสำหรับฉัน – ทำให้ AI สามารถใช้งานได้ในทุกวัน

คุณสามารถเล่าเรื่องราวเกี่ยวกับการก่อตั้ง Deeplite ได้หรือไม่?

ความคิดเกี่ยวกับ Deeplite เริ่มต้นขึ้นที่ TandemLaunch ในมอนทรีออล เดวิส ซอว์เยอร์ ซึ่งเป็นประธานเจ้าหน้าที่ผลิตภัณฑ์ของเราในปัจจุบันและเป็นผู้เชี่ยวชาญด้าน AI และเอฮ์ซาน ซาบอรี ซึ่งเป็นประธานเจ้าหน้าที่เทคนิคของเราและเป็นคนหลักที่อยู่เบื้องหลังทรัพย์สินทางปัญญาของเรา ได้เริ่มพัฒนาเทคโนโลยีนี้ที่นั่น ฉันเข้าร่วมทีมในปี 2019 โดยนำประสบการณ์หลายปีในการเป็นผู้นำและขยายธุรกิจมาให้ และเราก่อตั้ง Deeplite อย่างเป็นทางการในปี 2019 ตอนนี้เรามีพนักงานมากกว่า 20 คนและมีสำนักงานในมอนทรีออลและโตรอนโต และเราก็ประกาศการระดมทุน Series Seed มูลค่า 6 ล้านเหรียญสหรัฐฯ ในเดือนเมษายน 2021

ทำไมการฝัง AI Processing ลงในฮาร์ดแวร์โดยตรงจึงสำคัญในกรณีการใช้งานบางอย่าง เช่น รถยนต์ไร้คนขับและโดรน?

มีหลายเหตุผลที่คุณต้องการให้ AI ทำงานที่จุดเก็บข้อมูลแทนที่จะส่งไปยังคลาวด์ เหตุผลหลักๆ ในกรณีการใช้งานที่สำคัญเช่นรถยนต์ไร้คนขับคือความหน่วง ซึ่งหมายถึงเวลาที่ AI ต้องใช้ในการตัดสินใจ หากคุณต้องเก็บข้อมูล ส่งไปยังคลาวด์สำหรับการอนุมาน และส่งผลลัพธ์กลับมา จะใช้เวลานานกว่าการทำที่จุดเก็บข้อมูลในเวลาจริง ในการขับขี่อัตโนมัติ มิลลิวินาทีเป็นเรื่องสำคัญมาก

เหตุผลอื่นๆ รวมถึงความเป็นส่วนตัวในการเก็บข้อมูลที่ละเอียดอ่อนที่จุดเก็บข้อมูลแทนการส่งไปยังคลาวด์ และความเชื่อมต่อซึ่งจะทำให้การอนุมานบนคลาวด์ไม่สามารถใช้ได้ ในการนำ AI ไปใช้ในรถยนต์หรือโดรน ต้องลดขนาดและโปรไฟล์พลังงานของโมเดลให้เล็กลงและเร็วขึ้น เพื่อให้สามารถทำงานได้โดยตรงบนฮาร์ดแวร์โดยใช้ทรัพยากรน้อยกว่า นี่คือสิ่งที่ Deeplite มุ่งหวังที่จะทำ

คุณสามารถอธิบาย Deeplite Neutrino ได้หรือไม่?

แพลตฟอร์ม Neutrino ของเราทรานส์ฟอร์ม AI โดยเฉพาะเครือข่ายประสาทลึกให้เป็นรูปแบบใหม่ที่เล็กกว่า เร็วขึ้น และใช้พลังงานน้อยกว่าในรูปแบบเดิม ด้วย Deeplite Neutrino ทีม AI สามารถมุ่งเน้นไปที่การฝึกโมเดลให้ถูกต้อง และใช้แพลตฟอร์มของเราเพื่อปรับโมเดล AI ให้เหมาะสมกับการใช้งานในฮาร์ดแวร์ที่มีข้อจำกัดที่ขอบ โดยไม่กระทบต่อความถูกต้องของ AI เดิม

Deeplite Neutrino สามารถทำให้ AI มีประสิทธิภาพมากขึ้น เร็วขึ้น เล็กขึ้น และใช้พลังงานน้อยขึ้นได้อย่างไรโดยไม่กระทบต่อความถูกต้องของโมเดลเดิม?

เรานำแนวทางการสำรวจพื้นที่การออกแบบหลายวัตถุประสงค์มาใช้ เราใช้โมเดลเดิมเป็น “ครู” และสำรวจโครงสร้างของโมเดลเพื่อค้นหา “นักเรียน” ที่ดีที่สุดซึ่งตรงตามข้อจำกัดที่กำหนดโดยผู้ใช้ Deeplite เพื่อปรับโมเดล AI ให้เร็วขึ้น เล็กขึ้น และใช้พลังงานน้อยขึ้นโดยไม่สูญเสียประสิทธิภาพ

กรณีการใช้งานที่สำคัญที่สุดสำหรับการใช้ AI ประเภทนี้คืออะไร?

ในขณะนี้ เรามุ่งเน้นไปที่การมองเห็นด้วยคอมพิวเตอร์และการรับรู้ AI ของเราใช้ในรถยนต์ไร้คนขับ โดรน กล้องโทรศัพท์มือถือ เซ็นเซอร์ และอุปกรณ์ IoT อื่นๆ เรายังเห็นการใช้งานใหม่ๆ เช่น สายพานที่มี AI และเครื่องทำกาแฟที่มี AI เรากำลังทำงานกับบริษัทของเล่นชั้นนำที่ใช้ AI สำหรับการพัฒนาเกม สิ่งที่น่าตื่นเต้นและสร้างแรงบันดาลใจสำหรับเราคือความหลากหลายของการประยุกต์ใช้ที่เราจะเห็นในตลาดที่เราสามารถช่วยให้พวกเขาเป็นจริงได้

คุณมีความคิดเห็นอย่างไรเกี่ยวกับการเรียนรู้แบบกระจายและผลกระทบที่จะเกิดขึ้นต่ออนาคตของการเรียนรู้ของเครื่อง?

การฝึกโมเดลต้องใช้ข้อมูลและพลังการประมวลผลมาก การเรียนรู้แบบกระจายช่วยให้การฝึกเกิดขึ้นที่จุดเก็บข้อมูลในอุปกรณ์แต่ละเครื่องตามสภาพแวดล้อมที่จุดเก็บข้อมูล ซึ่งสามารถทำให้การฝึกมีประสิทธิภาพมากขึ้น และยังช่วยให้การฝึกมีความเป็นส่วนตัวมากขึ้น เนื่องจากข้อมูลฝึกไม่ต้องส่งไปยังเซิร์ฟเวอร์กลาง

ในฐานะสตาร์ทอัพ คุณดึงดูดผู้มีพรสวรรค์และสมองให้เข้าร่วมทีมได้อย่างไร?

เป็นความท้าทายที่ยิ่งใหญ่ในการดึงดูดผู้มีพรสวรรค์ด้าน AI ในปัจจุบัน มีคนไม่เพียงพอและการแข่งขันในการรับคนเข้าทีมสูง ทีมของเรานั้นยอดเยี่ยม พวกเขาดึงดูดคนเข้าร่วมทีมได้เอง เรามีผู้สมัครสัมภาษณ์กับทีมของเรา เมื่อพวกเขาดูคุณภาพของคนในทีม Deeplite พวกเขาก็อยากจะเข้าร่วมทีมของเรา ในฐานะสตาร์ทอัพ เรามีวัฒนธรรมที่ดีและโอกาสในการทำงานในบางสิ่งที่ใหม่และเกิดขึ้นซึ่งสามารถเปลี่ยนแปลงอุตสาหกรรมและผลิตภัณฑ์ได้หลายอย่าง ฉันคิดว่าโอกาสนี้พร้อมกับทีมของเรานั้นเป็นกุญแจสำคัญในการดึงดูดผู้มีพรสวรรค์ที่ดีที่สุด

คุณมีคำแนะนำสำหรับผู้ประกอบการอื่นๆ ในพื้นที่ AI หรือไม่?

สิ่งนี้ไปไกลกว่า AI แต่ในฐานะผู้ประกอบการซีรีย์ ฉันได้เรียนรู้ว่าความสำคัญของการมีการสนับสนุนจากครอบครัว เนื่องจากการตัดสินใจที่จะเป็นผู้ประกอบการไม่ใช่การตัดสินใจส่วนบุคคล แต่มันส่งผลกระทบต่อทุกคน รวมทั้งครอบครัวและเด็กๆ ทุกคนเป็นส่วนหนึ่งของการเดินทางด้วยกัน และทุกคนต้องเสียสละ ฉันต้องตระหนักและชื่นชมสิ่งนี้ และนี่คือวิธีที่ครอบครัวสามารถอยู่ร่วมกันตลอดการเดินทาง

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ Deeplite หรือไม่?

สิ่งหนึ่งที่เป็นเอกลักษณ์ของ Deeplite คือผู้ร่วมก่อตั้งของเรา เดวิสอายุ 20 ต้นๆ และมีความฉลาดและพลังงานมาก เขาเป็นผู้เชี่ยวชาญด้าน AI ที่แท้จริง เอฮ์ซานเป็นผู้อพยพจากอิหร่านที่มีปริญญาเอก และเป็นคนหลักที่อยู่เบื้องหลังทรัพย์สินทางปัญญาของเรา และฉันเองเป็นผู้ประกอบการวัย 50 ที่มีประสบการณ์ในการสร้างธุรกิจมาก่อน ทั้งสามคนเป็นคู่ผสมที่น่าสนใจที่นำความแข็งแกร่งและประสบการณ์ที่แตกต่างกันมาให้กับทีม ฉันรู้สึกขอบคุณที่มีหุ้นส่วนที่ดีและอยู่รอบๆ ทีมที่ยอดเยี่ยม

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ฉันหวังว่าจะติดตามความก้าวหน้าของ Deeplite และเป็นบริษัทที่จะอยู่ในเรดาร์ของฉัน ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Deeplite.