Max Versace, Neurala’nın CEO ve Kurucu Ortağı – Röportaj Serisi

Dr. Massimiliano Versace, Neurala‘nın kurucu ortak ve CEO’su ve şirketin vizyoneridir. Beyin ilhamlı hesaplama ve derin ağlar üzerine öncü araştırma çalışmalarından sonra, otonom robotik dünyasını continua ilham vermekte ve liderlik etmektedir. TEDx, NASA, Pentagon, GTC, InterDrone, Ulusal Laboratuvarlar, Hava Kuvvetleri Araştırma Laboratuvarları, HP, iRobot, Samsung, LG, Qualcomm, Ericsson, BAE Systems, AI World, Mitsubishi, ABB ve Accenture gibi birçok etkinlik ve mekanlarda konuşmacı olarak yer almıştır.

İlk olarak psikoloji okudunuz, daha sonra nörobilime yöneldiniz, o zamanki düşüncenizin ardındaki nedenler nelerdi?

Dönüş doğal oldu. Psikoloji, “eğitim coin”in bir tarafını – psikolojik olguların incelenmesini sağladı. Ancak, düşüncelerin ve davranışların mekanik olarak neler gâyabileceğini merak ediyorsanız, düşüncelerden sorumlu organı incelemeye başlarsınız ve sonunda Nörobilimi incelemeye başlarsınız!

İnsan beynini taklit eden bir AI sistemi oluşturmaya yönelik anlayışınızı uygulamaya karar verdiğiniz zaman ne oldu?

Sonraki adım, Nörobilimden AI’ye, daha zordur. Nörobilim, sinir sisteminin ve beyinlerin davranışlara nasıl yol açtığının ayrıntılı incelenmesiyle ilgilenirken, daha derin bir anlayış elde etmenin başka bir yolu da sentetik bir versiyonunu oluşturmaktır. Benim verdiğim bir benzetme, bir motorun nasıl çalıştığını anlamak için silindir ve radyatörü çıkarmak ve silindirlerin ve radyatörün motorun çalışması için önemli olduğunu sonuç çıkarmaktır. Bir motoru anlamak için daha derin bir yol, onu sıfırdan inşa etmektir – yani sentetik (yapay) bir versiyonunu inceleyerek zekayı oluşturmak.

Çalıştığınız erken dönem derin öğrenme projelerinden bazıları nelerdi?

2009’da DARPA için, Hewlett Packard tarafından tasarlanan gelişmiş bir çip kullanarak, otonom bir robotta “tüm beyin emülasyonu”nu inşa ettik. Kısaca, görevimiz beyni ve küçük bir memelinin bazı ana otonom ve öğrenme davranışlarını taklit etmek ve bunu küçük bir donanımda taşınabilir ve uygulanabilir bir form faktöründe gerçekleştirmekti.

Neurala’nın doğuş hikayesini paylaşabilir misiniz?

Neurala olarak şirket, 2006 yılında derin öğrenme için GPU’lar (Grafik İşlem Birimleri) kullanımıyla ilgili bazı patent çalışmaları içerecek şekilde kuruldu. Bugün düşünüldüğünde basit görünse de, o zamanlar GPU’lar AI için kullanılmıyordu ve biz bu kavramı, her bir pikselin bir nöron (ekran üzerinde bir sahne renderlemek için bir bölüm yerine) işleyebileceği şekilde hayal ederek öncülük ettik. GPU’ların paralellik özelliği, beynimizin paralellik özelliğini ticari olarak viable bir şekilde taklit etti ve böylece algoritmalarımız için öğrenme ve yürütme hızını aniden pratik bir hale getirdik. AI ve Derin Öğrenme’nin gerçekliğini dünyaya kabul ettirmesini beklemek için birkaç yıl daha beklememiz gerekti. 2013’te, şirketin gizli modundan çıktık (zaten NASA ve ABD Hava Kuvvetleri Araştırma Laboratuvarları tarafından finanse ediliyorduk) ve Boston Tech Stars programına katıldık. Oradan, birkaç çalışanı işe aldık ve özel sermaye topladık. Ancak, ilk önemli dağıtımları gerçekleştirebilmemiz ve AI’mizi 56M cihaza, kameralardan, akıllı telefonlardan, dronlardan ve robotlardan oluşan bir yelpazeye yerleştirebilmemiz, ancak 2017’de sermayenin taze enjeksiyonu ve endüstrinin daha da olgunlaşmasıyla mümkün oldu.

Neurala’nın erken projelerinden biri, NASA’nın Mars arazözü üzerinde çalışmak oldu. Bu projenin önemli noktalarını paylaşabilir misiniz?

NASA’nın çok spesifik bir sorunu vardı: gelecek otonom görevler için teknoloji geliştirmek istediler, burada otonom sistem (örneğin, bir arazöz) adım adım Dünya’daki kontrol merkezine bağımlı olmayacaktı. İletişim gecikmeleri bu kontrolü imkansız kılar – sadece “The Martian” filmindeki Dünya ile Matt Damon arasındaki iletişimin nasıl aksak olduğunu hatırlayın. Çözümümüz: her arazöze kendi beynini vermektir. Zaten DARPA ile birlikte “mini-beyirler” inşa etme konusunda uzman olarak görüldüğümüz için, NASA bize bir arazöze küçük faktörlü bir Derin Öğrenme sistemi vermeye çağırdı, bu sistem sadece robotta çalışmayacak, aynı zamanda gerçek zamanlı olarak yeni şeyler öğrenebilecekti. Bunlar, karşılaşılan yeni nesneleri (örneğin, kayalar, su işaretleri vb.) ve keşfedilmemiş bir gezegenin anlamlı bir haritasını oluşturmayı içerir. Zorluk büyüktü, ancak ödül de öyleydi: o zamanın (ve bugünün) Derin Öğrenme’nin başarmasından daha öteye geçen, çok küçük bir işlem gücü ile çalışan ve tek bir veri parçasından (örneğin, bir görüntüden) öğrenme yeteneğine sahip bir Derin Öğrenme teknolojisi.

Neurala, Lifelong-DNN’yi tasarladı, bu bir düzenli DNN’den nasıl farklıdır ve neler sağlar?

Yukarıdaki NASA kullanım senaryosu için tasarlanan Lifelong DNN, adından da anlaşılacağı gibi, tüm yaşam döngüsü boyunca öğrenir. Bu, geleneksel Derin Öğrenme Ağlarından (DNN) farklıdır, bunlar ya eğitilir ya da bir “çıktı” (yani, bir sınıflandırma) gerçekleştirir. L-DNN’de, insanlarda olduğu gibi, öğrenme ile sınıflandırma arasında bir fark yoktur. Her şeyin bir sınıfını tanımlarız (bu bir sandalyedir) ve ona dair daha fazla bilgi edineriz (bu sandalye yeni, daha önce görmedim, şimdi ondan biraz daha fazla şey biliyorum). DNN’lerden farklı olarak, L-DNN her zaman öğrenir ve dünyaya dair bildiklerini, sunulan yeni bilgileri ve anormallikleri doğal olarak anlayabilir. Örneğin, çocuklarımdan biri şaka yapmak için sandalyemi pembe boyadı, hemen tanıyacağım. L-DNN’m, sandalyemin siyah olduğunu öğrendiğinden ve sandalye hakkında algımın sandalye hakkındaki anımsamamı uyuşmuyor ise, L-DNN bir anormallik sinyali üretir. Bu, Neurala’nın ürünlerinde çeşitli şekillerde kullanılır (Aşağıya bakınız).

Beyin Oluşturucu özel görme AI’sini ve bu teknolojinin daha hızlı, daha kolay ve daha ucuz robotik uygulamaları nasıl sağladığını tartışabilir misiniz?

L-DNN doğal olarak dünyayı öğrenir ve bir şeyin standarttan sapıp sapmadığını anlayabilir, Neurala’nın ürünü, Beyin Oluşturucu ve VIA (Görme İnceleme Otomasyonu), sadece “iyi ürünlerin” birkaç görüntüsünü kullanarak hızlı bir şekilde görsel inceleme görevlerini kurmak için kullanılır. Örneğin, bir üretim ortamında, 20 “iyi şişe” görüntüsünü kullanarak, “iyi şişeleri” veya “kötü bir şişeyi” (örneğin, kırık bir kapakla) tanıyabilen bir Görsel Kalite İnceleme “mini-beyni” oluşturabilirsiniz. Bu, L-DNN ile çok kolay, hızlı ve basit bir CPU’da yapılabilir, bu da 10 yılı aşkın yoğun AR-GE’de inşa edilen NASA teknolojisini kullanır.

Önceki bir röportajda, girişimcilerin her zaman biraz imkansız bir iş kurmaya çalışması gerektiğini söylediniz. Neurala’yı ilk olarak kurduğunuzda, şirketin biraz imkansız olduğunu hissettiniz mi?

Hala arkadaşım ve meslektaşım Anatoli’nin, “bir gün teknolojimiz bir cep telefonunda çalışacak” dediğimde kahvesini çıkardığını hatırlıyorum. İmkansız görünüyordu, ancak yapmanız gereken sadece hayal etmek ve çalışmaktı. Bugün milyonlarca telefonda çalışıyor. Binlerce yapay gözün endüstriyel makineleri ve süreçleri previously unimaginable bir düzeyde kalite ve kontrol sağlamak için görebileceği bir dünya hayal ediyoruz, bu previously imkansızdı, çünkü bu makineleri kontrol etmek için binlerce insan gerekecekti. Umuyorum, bu satırları okuyan kimse kahve içmiyor…

Harika bir röportaj için teşekkür ederiz, Neurala明ら olarak radarımızda tutmamız gereken bir şirket. Daha fazla bilgi öğrenmek isteyen okuyucular Neurala ziyaret edebilir.