Synthesis AI’nin CEO’su Yashar Behzadi ile Röportaj Serisi

Yashar Behzadi PhD, Synthesis AI’nin CEO’su ve Kurucusu’dur. O, yapay zeka, tıbbi teknoloji ve IoT pazarlarında dönüşümsel işletmeler kuran deneyimli bir girişimcidir. Son 14 yıldır Silikon Vadisi’nde veri odaklı teknoloji şirketleri kurup büyütmüştür. Yashar, 30’dan fazla patente ve patent başvurusuna sahiptir ve UCSD’den spatial-temporal modeling of functional brain imaging alanında doktora derecesine sahiptir.

Synthesis AI, derin öğrenme ve CGI’nin kesişimindeki bir startup’tır ve bilgisayar görme modeli geliştirme için yeni bir paradigm oluşturmaktadır. Müşterilerin geleneksel insan-annotasyon tabanlı yaklaşımların bir kısmında daha iyi modeller geliştirmelerini sağlar.

Bilgisayar bilimi ve yapay zeka ile nasıl başladınız?

2006 yılında UCSD’den bilgisayar görme ve beyin görüntüleme verilerinin spatial ve temporal modellemesi üzerine doktora derecesi aldım. Sonra, 16 yıl boyunca Silikon Vadisi’nde sensörler, veri ve makine öğrenimi arasında çeşitli endüstrilerde çalıştım. Bazı mükemmel teknolojiler üzerinde çalışmak için çok şanslıyım ve sinyal işleme, makine öğrenimi ve veri bilimine odaklanan 30’dan fazla patent başvurusu veya patente sahibim.

Synthesis AI’nin doğuş hikayesini paylaşabilir misiniz?

Synthesis AI’yi 2019’da kurmadan önce, önde gelen teknoloji şirketleri için bilgisayar görme modelleri geliştiren bir küresel AI hizmetleri şirketi liderliğimi yaptım. Şirketin büyüklüğünden bağımsız olarak, çok sınırlı kaliteli ve etiketlenmiş eğitim verisi ile karşılaştık. Şirketler coğrafi olarak genişlediğinde, müşteri tabanını büyüttüğünde veya yeni modeller ve donanımlar geliştirdiğinde, modellerin yeterli performans göstermesi için yeni eğitim verileri gerekiyordu. Ayrıca, bilgisayar görme geleceğinin bugün的人-annotasyon paradigmıyla başarılı olamayacağı açıktı. Otonom, robotik ve AR/VR/metaverse uygulamaları gibi yeni bilgisayar görme uygulamaları için zengin 3D etiketler, derinlik bilgileri, malzeme özellikleri, ayrıntılı segmentasyon gibi insan tarafından etiketlenemeyen veriler gerektirir. Yeni bir paradigmaya ihtiyaç vardı.

Synthesis AI’yi kurarak bilgisayar görme paradigmalarını dönüştürmeyi amaçladım. Şirketin sentetik veri oluşturma platformu, talebe göre fotogerçekçi görüntü verisi oluşturur ve genişletilmiş 3D piksel mükemmel etiketler sağlar. Misyonumuz, daha yetenekli modellerin etik geliştirilmesini mümkün kılan sentetik veri teknolojilerini geliştirmektir.

Okuyucuların bu terimi tanımayanlar için sentetik veri nedir?

Sentetik veri, gerçek dünya verisinin alternatifi olarak kullanılan bilgisayar tarafından oluşturulan veridir. Sentetik veri, gerçek dünyada ölçülmeyen veya toplanmayan sanal dijital dünyalarda oluşturulur. Görsel efektler ve CGI araçları ile generatif AI modellerini birleştiren Synthesis AI, şirketlerin bilgisayar görme modellerini eğitmek için talebe göre fotogerçekçi ve çeşitli veriler oluşturmasını sağlar. Şirketin veri oluşturma platformu, yüksek kaliteli görüntü verilerini elde etme maliyetini ve süresini geleneksel yaklaşımların çok altında tutarken gizliliği korur.

Sentetik veri nasıl oluşturulur?

Sentetik veri seti, gerçek dünya verisi yerine sanal olarak oluşturulur. Görsel efekt endüstrisinden gelen teknolojiler, generatif sinir ağları ile birleştirilerek geniş, çeşitli ve fotogerçekçi etiketlenmiş görüntü verisi oluşturulur. Sentetik veri, eğitim verilerini geleneksel yaklaşımların çok altında maliyet ve sürede oluşturmayı sağlar.

Sentetik veri kullanımının rekabet avantajı nasıl sağlanır?

Şu anda çoğu AI sistemi, insanların görüntülerdeki ana öznitelikleri etiketlediği ve sonra AI algoritmalarının görüntüleri yorumladığı “gözetimli öğrenme” yöntemini kullanır. Bu, kaynak ve zaman açısından yoğun bir işlemdir ve insanların doğru olarak etiketleyebileceği şeylerle sınırlıdır. Ayrıca, AI’de demografik önyargı ve tüketici gizliliği konusunda endişeler artmıştır ve bu, temsil edilen insan verilerini elde etmeyi giderek daha zor hale getirmiştir.

Bizim yaklaşımımız, kompleks görüntü verilerini sentezleyen fotogerçekçi dijital dünyalar oluşturmaktır. Verileri biz oluşturduğumuz için, sahneler hakkında her şeyi biliriz, nesnelerin ve çevrelerinin 3D konumları ve karmaşık etkileşimleri dahil. Bu miktar veri, geleneksel yaklaşımlarla elde etmek aylar veya yıllar alabilir. Bu yeni paradigm, verimliliği ve maliyetleri 100 kat artırarak daha yetenekli modellerin geliştirilmesini sağlayacaktır.

Sentetik verinin sanal olarak oluşturulması, geleneksel olarak gerçek dünya verilerinden elde edilen birçok önyargı ve gizlilik endişesini ortadan kaldırır.

Talebe göre veri oluşturma, nasıl hızlandırılmış ölçeklendirme sağlar?

Gerçek dünya verilerini model eğitimi için yakalamak ve hazırlamak uzun ve zahmetli bir işlemdir. Karmaşık bilgisayar görme sistemleri için gerekli donanım çok pahalı olabilir. Veri bir kez yakalandığında, insanlar önemli özellikleri etiketler ve annotates. Bu işlem hatalara eğilimlidir ve insanlar, birçok uygulama için gerekli olan 3D konum gibi önemli bilgileri etiketleme yetenekleri sınırlıdır.

Sentetik veri, geleneksel insan-annotasyonlu gerçek-veri yaklaşımlarından çok daha hızlı ve ucuzdur ve endüstrilerdeki yeni ve daha yetenekli modellerin dağıtımını hızlandıracaktır.

Sentetik veri, AI önyargısını nasıl azaltır veya önler?

AI sistemleri her yerde mevcut ancak içerideki önyargılar insan gruplarını etkileyebilir. Veri setleri dengesiz olabilir ve belirli veri sınıfları veya insan grupları fazla veya az temsil edilebilir. İnsan merkezli sistemler inşa etmek, cinsiyet, etnik köken ve yaş önyargılarına neden olabilir. Karşıt olarak, tasarım tarafından oluşturulan eğitim verileri dengeli ve insan önyargılarından arınmıştır.

Sentetik veri, AI’nin önyargı sorununu çözmek için güçlü bir çözüm olabilir. Sentetik veri, kısmen veya tamamen sanal olarak oluşturulur ve gerçek dünya olaylarından veya fenomenlerinden ölçülmeyen veya çıkarılmayan verilerdir. Veri seti yeterince çeşitli veya büyük değilse, AI tarafından oluşturulan veriler boşlukları doldurabilir ve önyargsız bir veri seti oluşturabilir. En iyi tarafı, bu veri setlerini elle oluşturmak several months veya yıllar alabilir. Sentetik veri ile, bu iş bir gecede yapılabilir.

Bilgisayar görme dışında, sentetik verinin gelecekteki diğer olası kullanım alanları nelerdir?

Bilgisayar görme ile ilgili tüketici ürünleri, otonom, robotik, AR/VR/metaverse ve daha fazlasına ilişkin çok sayıda kullanım alanı dışında, sentetik veri diğer veri modellerini de etkileyecektir. Şirketlerin sentetik veri yaklaşımlarını yapılandırılmış tablo verisi, ses ve doğal dil işleme için kullanmaya başladığını zaten görüyoruz. Her mod için temel teknolojiler ve oluşturma boru hatları farklıdır ve yakın gelecekte çok modlu sistemleri (örneğin, video + ses) görmeyi bekliyoruz.

Synthesis AI hakkında paylaşmak istediğiniz başka bir şey var mı?

Geçen yıl, HumanAPI adlı önemli bir sentetik veri yeteneği genişletmesini piyasaya sürdük. Bu, Synthesis AI’nin sentetik veri yeteneklerini programlı olarak milyonlarca benzersiz, yüksek kaliteli 3D dijital insan oluşturmasına olanak tanıyan bir adımdır. Bu duyuru, önde gelen akıllı telefon, telekonferans, otomobil ve teknoloji şirketlerine 10 milyonun üzerinde etiketlenmiş yüz resmi sunan FaceAPI sentetik veri hizmetinin piyasaya sürülmesinin ardından geldi. HumanAPI, şirketin gelişmiş bilgisayar görme AI uygulamalarını destekleme yolculuğunda bir sonraki adımdır.

HumanAPI, müşterilerimiz için yeni fırsatlar da sunar, Örneğin, akıllı AI asistanlar, sanal fitness koçu ve elbette metaverse uygulamaları.

Gerçek dünyanın dijital bir kopyasını oluşturarak, metaverse yeni uygulamalar sunacaktır: yeniden tasarlanan sosyal ağlar, eğlence deneyimleri, telekonferans, oyun ve daha fazlası. Bilgisayar görme AI, gerçek dünyanın yüksek doğrulukla dijital dünyada nasıl yakalandığını ve yeniden oluşturulduğunu belirlemede temel olacaktır. Fotogerçekçi, ifade edici ve davranışsal olarak doğru insanlar, gelecekteki bilgisayar görme uygulamaları için temel bir bileşen olacaktır. HumanAPI, daha yetenekli AI modelleri oluşturmak için talebe göre mükemmel etiketlenmiş tüm vücut verilerini oluşturmak için ilk üründür, Bunlar arasında poz tahmini, duygu tanıma, aktivite ve davranış karakterizasyonu, yüz yeniden oluşturma ve daha fazlası bulunur.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Synthesis AI‘yi ziyaret edebilir.