Yonatan Geifman, Deci’nin CEO’su ve Kurucu Ortağı – Röportaj Serisi

Yonatan Geifman, Deci‘nin CEO’su ve kurucu ortağıdır. Deci, AI modellerini herhangi bir donanım上的 üretim sınıfı çözümlerine dönüştüren bir şirkettir. Deci, Gartner tarafından Edge AI için Teknoloji İnovatörü olarak tanınmıştır ve CB Insights’in AI 100 listesine dahil edilmiştir. Şirketin özel teknolojisi, MLPerf’de Intel ile birlikte yeni rekorlar kırdı.

Sizce makine öğrenimi size nasıl çekici geldi?

Gençliğimden beri, sadece onları kullanmak değil, gerçekten nasıl çalıştıklarını anlamak için son teknoloji ürünleri her zaman ilgimi çekti.

Bu yaşam boyu süren ilgi, sonunda bilgisayar bilimlerinde doktora çalışmalarıma yol açtı ve araştırma alanı Derin Sinir Ağları (DNN’ler) üzerine odaklandı. Bu kritik teknolojiyi akademik bir ortamda anladığım medida, AI’nin dünyamızı olumlu yönde nasıl etkileyebileceğini gerçekten anlamaya başladım. Akıllı şehirlerden, trafik ve kazaları azaltabilen şehirlere, insan müdahalesi olmadan çalışan otonom araçlardan, hayat kurtaran tıbbi cihazlara kadar – AI’nin toplumumuzu iyileştirebileceği çok sayıda uygulama var. Her zaman bu devrimin bir parçası olmak istedim.

Deci AI’nin oluşum hikayesini paylaşabilir misiniz?

AI’nin tüm kullanım alanlarında ne kadar faydalı olabileceğini anlamak benim için zor değildi – özellikle de doktora eğitimim sırasında. Ancak birçok şirket, AI’nin tam potansiyelinden yararlanmak için mücadele ediyor, çünkü geliştiriciler üretim için hazır derin öğrenme modelleri geliştirmekte zorlanıyorlar. Diğer bir deyişle, AI’yi ürünleştirmek çok zor.

Bu zorluklar, endüstrinin karşı karşıya olduğu AI verimlilik açığına büyük ölçüde atfedilebilir. Algoritmalar giderek daha güçlü hale geliyor ve daha fazla hesaplama gücü gerektiriyor, ancak aynı zamanda maliyet etkin bir şekilde, genellikle kaynak kısıtlı kenar cihazlarda dağıtılmaları gerekiyor.

Ben, Prof. Ran El-Yaniv ve Jonathan Elial ile birlikte, bu zorluğu gidermek için Deci’yi kurduk. Bunu, gördüğümüz tek şekilde yaptık – AI’yi kullanarak derin öğrenmenin sonraki neslini oluşturmak için. Algoritmik bir yaklaşım benimsedik, AI algoritmalarının etkinliğini erken aşamalarda geliştirmeye çalıştık, bu da geliştiricilerin herhangi bir çıkarım donanımı için en yüksek doğruluk ve verimlilik seviyelerine sahip modeller oluşturup çalıştırabilmesini sağlayacaktır.

Derin öğrenme, Deci AI’nin merkezinde yer alıyor, bunu bizim için tanımlayabilir misiniz?

Derin öğrenme, makine öğreniminin bir alt alanıdır ve yeni bir uygulama döneminin güçlenmesine yönelik olarak tasarlanmıştır. Derin öğrenme, insan beyninin yapısından büyük ölçüde esinlenmiştir, bu nedenle derin öğrenmeden bahsettiğimizde, “sinir ağları”ndan bahsederiz. Bu, kenar uygulamaları düşünüldüğünde (akıllı şehirlerdeki kameralar, otonom araçlardaki sensörler, sağlık hizmetlerindeki analitik çözümler) için çok önemlidir, çünkü bu uygulamalarda gerçek zamanlı olarak böyle bilgiler üretebilmek için sahada derin öğrenme modelleri çok önemlidir.

Neural Architecture Search (NAS) nedir?

Neural Architecture Search (NAS), daha iyi derin öğrenme modelleri elde etmeye yönelik bir teknolojik disiplindir.

Google’ (GOOGL ) ın 2017’deki NAS üzerine öncü çalışması, bu konuyu en azından araştırma ve akademik çevrelerde ana akım haline getirdi.

NAS’in amacı, belirli bir sorun için en iyi sinir ağı mimarisini bulmaktır. DNN’lerin tasarımını otomatikleştirir, bu da daha yüksek performans ve daha düşük kayıplar sağlar. NAS, bir algoritmanın milyonlarca model mimarisi arasında arama yapmasını içerir ve belirli bir sorunu çözmek için benzersiz bir şekilde tasarlanmış bir mimari üretir. Basitçe söylemek gerekirse, AI’yi kullanarak yeni AI tasarlar, bu da herhangi bir projenin özel ihtiyaçlarına bağlıdır.

Bu, geliştiricilerin développement sürecini basitleştirmelerine, deneme yanılma iterasyonlarını azaltmalarına ve sonunda uygulamaların doğruluk ve performans hedeflerine en iyi şekilde hizmet edebilecek ultimate modeli elde etmelerine yardımcı olur.

Neural Architecture Search’in (NAS) bazı sınırlamaları nelerdir?

Geleneksel NAS’in ana sınırlamaları erişilebilirlik ve ölçeklenebilirliktir. NAS, günümüzde genellikle sadece araştırma ortamlarında ve büyük teknoloji şirketleri gibi Google ve Facebook (META ) veya Stanford gibi akademik enstitülerde kullanılır, çünkü geleneksel NAS teknikleri karmaşıktır ve çok fazla hesaplama kaynağı gerektirir.

Bu nedenle, Deci’nin AutoNAC (Otomatik Sinir Ağı Mimarisi İnşaatı) teknolojisinin geliştirilmesindeki başarılarımdan gurur duyuyorum, bu teknoloji NAS’i demokratikleştirir ve şirketlerin kolayca özel model mimarileri oluşturmasına olanak tanır, bu da uygulamalar için daha iyi doğruluk ve hız sağlar.

Görüntü tipine bağlı olarak nesne algılama öğrenimi nasıl farklılık gösterir?

Şaşırtıcı bir şekilde, nesne algılama modellerinin eğitim süreci, görüntünün alanı tarafından önemli ölçüde etkilenmez. Yaya, tıbbi taramadaki bir tümör veya havaalanı güvenlik kontrol noktasındaki bir X-ışını görüntüsündeki gizli bir silah olsun, süreç neredeyse aynıdır. Modeli eğitmek için kullanılan veri, eldeki görevi temsil etmeli ve modelin boyutu ve yapısı, görüntüdeki nesnelerin boyutu, şekli ve karmaşıklığı tarafından etkilenebilir.

Deci AI, derin öğrenme için uçtan uca bir platform nasıl sunar?

Deci’nin platformu, geliştiricilerin üretim için doğru ve hızlı derin öğrenme modellerini oluşturmasına, eğitime ve dağıtmasına olanak tanır. Böylece ekipler, en son araştırmaları ve mühendislik en iyi uygulamalarını bir satır kodla kullanabilir, piyasaya sürme süresini aylardan birkaç haftaya kısaltabilir ve üretimdeki başarıyı garantileyebilir.

İlk olarak 6 kişilik bir ekiple başladınız ve şimdi büyük şirketlere hizmet veriyorsunuz. Şirketin büyümesinden ve karşılaştığınız bazı zorluklardan bahseder misiniz?

2019’da başladığımızdan bu yana elde ettiğimiz büyümeye çok seviniyoruz. Şimdi 50’den fazla çalışanı ve bugüne kadar 55 milyon doların üzerinde fonla, geliştiricilerin AI’nin gerçek potansiyelini gerçekleştirmelerine ve üzerine hareket etmelerine yardımcı olmaya devam edebileceğimize eminiz. Başlangıçtan bu yana, CB Insights’in AI 100 listesine dahil edildik, CB Insights’in AI 100 listesine dahil edildik, CPU’lar上的 derin öğrenme performansı açısından önemli başarılar elde ettik ve büyük şirketlerle, Intel gibi şirketlerle anlamlı işbirlikleri kurduk.

Deci AI hakkında paylaşmak istediğiniz başka bir şey var mı?

Önceden de bahsettiğim gibi, AI verimlilik açığı, AI ürünleştirilmesi için büyük engeller oluşturmaya devam ediyor. “Sol tarafa kaydırma” – üretim kısıtlamalarını geliştirme yaşam döngüsünün erken aşamalarında dikkate almak, daha sonra üretim aşamasında potansiyel engelleri düzeltmek için harcanan zamanı ve maliyeti azaltır. Platformumuz, şirketlere dünya değiştiren AI çözümlerini başarılı bir şekilde geliştirmelerine ve dağıtmalarına yardımcı olacak araçları sağlamak suretiyle bunu başarmaya yardımcı olabileceğini kanıtladı.

Amaçımız basittir – AI’yi geniş bir kitle için erişilebilir, uygun fiyatlı ve ölçeklenebilir hale getirmek.

Bu harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Deci‘yi ziyaret edebilir.