Yonatan Geifman ซีอีโอและผู้ร่วมก่อตั้ง Deci – ชุดบทสัมภาษณ์

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

สิ่งใดที่ดึงดูดคุณเข้าสู่การเรียนรู้ของเครื่อง?

ตั้งแต่ฉันยังเป็นเด็ก ฉันเคยหลงใหลในเทคโนโลยีที่ทันสมัย – ไม่ใช่แค่ใช้งาน แต่เข้าใจว่ามันทำงานอย่างไร

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

คุณสามารถแบ่งปันเรื่องราวเบื้องหลัง Deci AI ได้หรือไม่?

ไม่ใช่เรื่องที่ยากที่จะรับรู้ – เช่นเดียวกับที่ฉันทำเมื่อฉันอยู่ในโรงเรียนปริญญาเอก – ว่า AI มีประโยชน์อย่างไรในกรณีการใช้งานต่างๆ อย่างไรก็ตาม บริษัทหลายแห่งต้องดิ้นรนเพื่อใช้ประโยชน์จาก AI อย่างเต็มที่ เนื่องจากนักพัฒนาต้องเผชิญกับการต่อสู้ที่ยากลำบากในการพัฒนาโมเดลการเรียนรู้ลึกที่พร้อมสำหรับการใช้งานจริง กล่าวอีกนัยหนึ่ง การเปลี่ยน AI ให้เป็นผลิตภัณฑ์ยังคงยากมาก

ความท้าทายเหล่านี้สามารถอธิบายได้จากช่องว่างด้านประสิทธิภาพของ AI ที่อุตสาหกรรมต้องเผชิญ อัลกอริทึมมีประสิทธิภาพเพิ่มขึ้นแบบทวีคูณและต้องการพลังการคำนวณมากขึ้น แต่ในขณะเดียวกันก็ต้องนำไปใช้งานอย่างคุ้มต้นทุน โดยมักเป็นอุปกรณ์ Edge ที่มีข้อจำกัดด้านทรัพยากร

ผู้ร่วมก่อตั้ง Prof. Ran El-Yaniv, Jonathan Elial และฉันร่วมก่อตั้ง Deci เพื่อแก้ไขความท้าทายนี้ และเราทำเช่นนั้นด้วยวิธีเดียวที่เราเห็นว่าเป็นไปได้ นั่นคือใช้ AI เองในการสร้างรุ่นต่อไปของการเรียนรู้ลึก เราใช้แนวทางที่ให้ความสำคัญกับอัลกอริทึม โดยทำงานเพื่อปรับปรุงประสิทธิภาพของอัลกอริทึม AI ในขั้นตอนแรก ซึ่งจะช่วยให้นักพัฒนาสามารถสร้างและทำงานกับโมเดลที่ให้ความแม่นยำและประสิทธิภาพสูงสุดสำหรับฮาร์ดแวร์อนุมานใดๆ ที่กำหนด

การเรียนรู้ลึกเป็นหัวใจของ Deci AI คุณช่วยนิยามให้เราได้หรือไม่?

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

การค้นหาสถาปัตยกรรมประสาท (Neural Architecture Search) คืออะไร?

การค้นหาสถาปัตยกรรมประสาทเป็นวิธีการทางเทคโนโลยีที่มีเป้าหมายในการหาโมเดลการเรียนรู้ลึกที่ดีกว่า

งานของ Google (GOOGL ) ในด้านการค้นหาสถาปัตยกรรมประสาทในปี 2017 ช่วยให้หัวข้อนี้เป็นที่รู้จักในวงกว้าง โดยเฉพาะในวงการวิจัยและวิชาการ

เป้าหมายของการค้นหาสถาปัตยกรรมประสาทคือการค้นหาสถาปัตยกรรมเครือข่ายประสาทที่ดีที่สุดสำหรับปัญหาใดๆ มันทำให้การออกแบบ DNN เป็นแบบอัตโนมัติ โดยให้ผลการทำงานที่สูงกว่าและข้อผิดพลาดที่ต่ำกว่าเมื่อเทียบกับสถาปัตยกรรมที่ออกแบบด้วยตนเอง มันเกี่ยวข้องกับกระบวนการที่อัลกอริทึมค้นหาในพื้นที่ของสถาปัตยกรรมโมเดลหลายล้านรูปแบบ เพื่อให้ได้สถาปัตยกรรมที่เหมาะสมที่สุดสำหรับปัญหาเฉพาะนั้น กล่าวอย่างง่ายคือใช้ AI ออกแบบ AI ใหม่ตามความต้องการเฉพาะของแต่ละโครงการ

ทีมต่างๆ ใช้ NAS เพื่อทำให้กระบวนการพัฒนาง่ายขึ้น ลดรอบของการลองผิดลองถูก และให้ได้โมเดลที่ตอบโจทย์เป้าหมายด้านความแม่นยำและประสิทธิภาพของแอปพลิเคชันได้ดีที่สุด

อะไรคือข้อจำกัดของการค้นหาสถาปัตยกรรมประสาท?

ข้อจำกัดหลักของการค้นหาสถาปัตยกรรมประสาทแบบดั้งเดิมคือความสามารถในการเข้าถึงและขยายขนาด การค้นหาสถาปัตยกรรมประสาทในปัจจุบันใช้เป็นหลักในงานวิจัยและโดยทั่วไปมีเพียงบริษัทเทคโนโลยีขนาดใหญ่เช่น Google และ Facebook (META ) หรือในสถาบันวิจัยเช่น Stanford เนื่องจากเทคนิคการค้นหาสถาปัตยกรรมประสาทแบบดั้งเดิมมีความซับซ้อนและต้องการทรัพยากรการคำนวณจำนวนมาก

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

การเรียนรู้การตรวจจับวัตถุแตกต่างกันอย่างไรตามประเภทของภาพ?

น่าประหลาดใจที่จะพบว่าโดเมนของภาพไม่ได้ส่งผลอย่างมากต่อกระบวนการฝึกโมเดลตรวจจับวัตถุ ไม่ว่าคุณกำลังมองหาบุคคลบนถนน ก้อนมะเร็งในภาพถ่ายทางการแพทย์ หรืออาวุธที่ซ่อนอยู่ในภาพเอ็กซ์เรย์ที่สนามบิน กระบวนการแทบจะเหมือนกัน ข้อมูลที่คุณใช้ในการฝึกอบรมโมเดลของคุณต้องเป็นตัวแทนของงานที่ต้องทำ และขนาดและโครงสร้างของโมเดลอาจได้รับผลกระทบจากขนาด รูปร่าง และความซับซ้อนของวัตถุในภาพของคุณ

Deci AI เสนอแพลตฟอร์มแบบ end-to-end สำหรับการเรียนรู้ลึกอย่างไร?

แพลตฟอร์มของ Deci ช่วยให้นักพัฒนาสามารถสร้าง ฝึกอบรม และใช้โมเดลการเรียนรู้ลึกที่แม่นยำและเร็วในการผลิตได้ ด้วยการทำเช่นนี้ ทีมสามารถใช้ประโยชน์จากงานวิจัยที่ล้ำสมัยและแนวปฏิบัติทางวิศวกรรมที่ดีที่สุดด้วยโค้ดเพียงบรรทัดเดียว 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 ตระกูลโมเดลของเราที่สร้างความก้าวหน้าด้านประสิทธิภาพการเรียนรู้ลึกบน CPU และได้ร่วมมือกับบริษัทชั้นนำ เช่น Intel

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Deci AI?

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

เป้าหมายของเราคือการทำให้ AI เข้าถึงได้กว้างขวาง ราคาไม่แพง และสามารถขยายขนาดได้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Deci เพื่อเรียนรู้เพิ่มเติม