ยอนาทาน เกฟฟ์แมน CEO และผู้ร่วมก่อตั้ง Deci – ซีรีส์สัมภาษณ์

ยอนาทาน เกฟฟ์แมน เป็น CEO และผู้ร่วมก่อตั้ง Deci ซึ่งเปลี่ยนโมเดล AI ให้เป็นโซลูชันระดับโปรดักชั่นบนฮาร์ดแวร์ใดๆ ก็ตาม Deci ได้รับการยอมรับว่าเป็นผู้นวัตกรรมด้านเทคโลยีสำหรับ Edge AI โดย Gartner และรวมอยู่ในรายชื่อ AI 100 ของ CB Insights เทคโนโลยีเฉพาะของ Deci ได้สร้างสถิติใหม่ที่ MLPerf พร้อมกับ Intel

สิ่งใดที่ดึงดูดคุณเข้าสู่เครื่องจักรเรียนรู้?

ตั้งแต่ฉันยังเป็นเด็ก ฉันเคยหลงใหลในเทคโนโลยีที่ทันสมัย – ไม่ใช่แค่ใช้งาน แต่เข้าใจว่ามันทำงานอย่างไร

ความหลงใหลนี้เป็นเส้นทางที่นำไปสู่การเรียนปริญญาเอกด้านวิทยาศาสตร์คอมพิวเตอร์ โดยมีงานวิจัยของฉันเน้นไปที่ Deep Neural Networks (DNNs) เมื่อฉันเข้าใจเทคโนโลยีนี้ในระดับวิชาการ ฉันเริ่มเข้าใจว่า AI สามารถส่งผลกระทบเชิงบวกต่อสังคมได้อย่างไร ตั้งแต่เมืองอัจฉริยะที่สามารถติดตามการจราจรและลดอุบัติเหตุได้ดีขึ้น ไปจนถึงยานพาหนะอัตโนมัติที่ต้องการการแทรกแซงจากมนุษย์น้อยที่สุด หรืออุปกรณ์ทางการแพทย์ที่ช่วยชีวิต – มีการใช้งาน AI ที่ไม่สิ้นสุดซึ่งสามารถปรับปรุงสังคมได้ ฉันรู้เสมอว่าฉันต้องการเป็นส่วนหนึ่งของการปฏิวัตินี้

คุณสามารถแบ่งปันเรื่องราวเบื้องหลัง Deci AI ได้หรือไม่?

ไม่ใช่เรื่องที่ยากที่จะรับรู้ – เช่นเดียวกับที่ฉันทำเมื่อฉันอยู่ในโรงเรียนปริญญาเอก – ว่า AI มีประโยชน์อย่างไรในกรณีการใช้งานต่างๆ อย่างไรก็ตาม บริษัทหลายแห่งต้องดิ้นรนเพื่อใช้ประโยชน์จาก AI อย่างเต็มที่ เนื่องจากนักพัฒนาต้องเผชิญกับการต่อสู้ที่ยากลำบากในการพัฒนาโมเดลการเรียนรู้ลึกที่พร้อมสำหรับการผลิตในระดับโปรดักชั่น

ความท้าทายเหล่านี้สามารถอธิบายได้จากช่องว่างด้านประสิทธิภาพของ AI ที่อุตสาหกรรมต้องเผชิญ อัลกอริทึมมีการเติบโตอย่างรวดเร็วและต้องการพลังการคำนวณมากขึ้น แต่ในขณะเดียวกันก็ต้องใช้งานบนอุปกรณ์ Edge ที่มีข้อจำกัดด้านทรัพยากร

ผู้ร่วมก่อตั้ง Prof. Ran El-Yaniv, Jonathan Elial และฉันร่วมก่อตั้ง Deci เพื่อแก้ไขความท้าทายนี้ และเราทำได้โดยใช้ AI เองในการสร้างรุ่นต่อไปของการเรียนรู้ลึก เราใช้แนวทางที่ให้ความสำคัญกับอัลกอริทึม โดยทำงานเพื่อปรับปรุงประสิทธิภาพของอัลกอริทึม AI ในขั้นตอนแรก ซึ่งจะช่วยให้นักพัฒนาสามารถสร้างและทำงานกับโมเดลที่ให้ความแม่นยำและประสิทธิภาพสูงสุดสำหรับฮาร์ดแวร์ใดๆ ก็ตาม

การเรียนรู้ลึกคืออะไร?

การเรียนรู้ลึก เช่นเดียวกับการเรียนรู้ของเครื่อง เป็นสาขาย่อยของ AI ที่มีเป้าหมายในการเปิดใช้งานยุคใหม่ของแอปพลิเคชัน การเรียนรู้ลึกได้รับแรงบันดาลใจจากโครงสร้างของสมองมนุษย์ ซึ่งเป็นเหตุผลที่เมื่อเราพูดถึงการเรียนรู้ลึก เราจะพูดถึง “เครือข่ายประสาท” สิ่งนี้มีความสำคัญอย่างยิ่งสำหรับแอปพลิเคชัน Edge (เช่น กล้องในเมืองอัจฉริยะ เซ็นเซอร์บนยานพาหนะอัตโนมัติ โซลูชันการวิเคราะห์ในด้านสุขภาพ) ที่ต้องการโมเดลการเรียนรู้ลึกแบบเรียลไทม์

การค้นหาสถาปัตยกรรมประสาท (Neural Architecture Search) คืออะไร?

การค้นหาสถาปัตยกรรมประสาทเป็นวิธีการทางเทคโนโลยีที่มีเป้าหมายในการหาโมเดลการเรียนรู้ลึกที่ดีกว่า

งานของ Google (GOOGL ) ในด้านการค้นหาสถาปัตยกรรมประสาทในปี 2017 ช่วยให้หัวข้อนี้เป็นที่รู้จักในวงกว้าง โดยเฉพาะในวงการวิจัยและวิชาการ

เป้าหมายของการค้นหาสถาปัตยกรรมประสาทคือการค้นหาสถาปัตยกรรมเครือข่ายประสาทที่ดีที่สุดสำหรับปัญหาใดๆ มันทำให้การออกแบบ DNN เป็นแบบอัตโนมัติ โดยให้ผลการทำงานที่สูงกว่าและข้อผิดพลาดที่ต่ำกว่าเมื่อเทียบกับการออกแบบโดยตรง มันเกี่ยวข้องกับกระบวนการที่อัลกอริทึมค้นหาในพื้นที่ของสถาปัตยกรรมโมเดลหลายล้านรูปแบบ เพื่อให้ได้สถาปัตยกรรมที่เหมาะสมที่สุดสำหรับปัญหาเฉพาะนั้น

อะไรคือข้อจำกัดของการค้นหาสถาปัตยกรรมประสาท?

ข้อจำกัดหลักของการค้นหาสถาปัตยกรรมประสาทแบบดั้งเดิมคือความสามารถในการเข้าถึงและขยายขนาด การค้นหาสถาปัตยกรรมประสาทในปัจจุบันใช้กันอย่างแพร่หลายในสถานศึกษาและโดยทั่วไปแล้วจะดำเนินการโดยบริษัทเทคโนโลยีขนาดใหญ่เช่น Google และ Facebook (META ) หรือในสถาบันวิจัยเช่น Stanford เนื่องจากเทคนิคการค้นหาสถาปัตยกรรมประสาทแบบดั้งเดิมมีความซับซ้อนและต้องการทรัพยากรการคำนวณจำนวนมาก

ดังนั้น ฉันจึงภูมิใจในความสำเร็จของเราในการพัฒนาเทคโนโลยี AutoNAC (Automated Neural Architecture Construction) ของ Deci ซึ่งทำให้การค้นหาสถาปัตยกรรมประสาทเป็นแบบประชาธิปไตยและช่วยให้บริษัททุกขนาดสามารถสร้างสถาปัตยกรรมโมเดลที่มีความแม่นยำและความเร็วที่ดีกว่าแบบดั้งเดิมสำหรับแอปพลิเคชันของตนได้อย่างง่ายดาย

การเรียนรู้การตรวจจับวัตถุแตกต่างกันอย่างไรตามประเภทของภาพ?

น่าประหลาดใจที่จะพบว่าโดเมนของภาพไม่ส่งผลกระทบต่อกระบวนการฝึกอบรมของโมเดลการตรวจจับวัตถุโดยตรง ไม่ว่าคุณกำลังมองหาบุคคลบนถนน ก้อนมะเร็งในภาพถ่ายทางการแพทย์ หรืออาวุธที่ซ่อนอยู่ในภาพเอ็กซ์เรย์ที่สนามบิน กระบวนการคือเหมือนกัน ข้อมูลที่คุณใช้ในการฝึกอบรมโมเดลของคุณต้องเป็นตัวแทนของงานที่ต้องทำ และขนาดและโครงสร้างของโมเดลอาจได้รับผลกระทบจากขนาด รูปร่าง และความซับซ้อนของวัตถุในภาพของคุณ

Deci AI เสนอแพลตฟอร์มแบบ end-to-end สำหรับการเรียนรู้ลึกอย่างไร?

แพลตฟอร์มของ Deci ช่วยให้นักพัฒนาสามารถสร้าง ฝึกอบรม และใช้โมเดลการเรียนรู้ลึกที่แม่นยำและเร็วในการผลิตได้ ด้วยการทำเช่นนี้ ทีมสามารถใช้ประโยชน์จากงานวิจัยและวิศวกรรมที่ทันสมัยที่สุดด้วยโค้ดเพียงบรรทัดเดียว ลดเวลาในการเข้าสู่ตลาดจากหลายเดือนเหลือเพียงไม่กี่สัปดาห์ และรับประกันความสำเร็จในการผลิต

คุณเริ่มต้นด้วยทีม 6 คน และตอนนี้คุณให้บริการแก่บริษัทขนาดใหญ่ คุณสามารถพูดถึงการเติบโตของบริษัทและความท้าทายที่คุณเผชิญได้หรือไม่?

เรารู้สึกยินดีกับการเติบโตที่เราได้ทำสำเร็จตั้งแต่เริ่มต้นในปี 2019 ปัจจุบันเรามีพนักงานมากกว่า 50 คน และได้รับการสนับสนุนมากกว่า 55 ล้านดอลลาร์ เรามั่นใจว่าเราสามารถช่วยให้นักพัฒนาสามารถใช้ประโยชน์จาก AI ได้อย่างเต็มที่ต่อไป ตั้งแต่เริ่มก่อตั้ง เราได้รับการยกย่องใน CB Insights’ AI 100 และได้สร้างความสำเร็จที่สำคัญ เช่น โมเดลใหม่ที่ให้ประสิทธิภาพการเรียนรู้ลึกที่突破ขอบเขตบน CPU และได้ร่วมมือกับบริษัทชั้นนำ เช่น Intel

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Deci AI?

เช่นเดียวกับที่ฉันกล่าวไว้ก่อนหน้านี้ ช่องว่างด้านประสิทธิภาพของ AI ยังคงเป็นอุปสรรคสำคัญต่อการผลิต AI “การย้ายซ้าย” – การคำนึงถึงข้อจำกัดในการผลิตตั้งแต่ขั้นตอนแรกของวงจรการพัฒนา – ลดเวลาและค่าใช้จ่ายที่ใช้ในการแก้ไขปัญหาที่อาจเกิดขึ้นเมื่อใช้โมเดลการเรียนรู้ลึกในการผลิตในภายหลัง แพลตฟอร์มของเราพิสูจน์แล้วว่าสามารถทำเช่นนี้ได้โดยการให้บริษัทต่างๆ มีเครื่องมือที่จำเป็นในการพัฒนาและใช้โซลูชัน AI ที่เปลี่ยนแปลงโลก

เป้าหมายของเราคือการทำให้ AI เข้าถึงได้กว้างขวาง ราคาไม่แพง และสามารถขยายขนาดได้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Deci เพื่อเรียนรู้เพิ่มเติม