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

Yonatan Geifman, Deci‘nin CEO’su ve kurucu ortağıdır ki AI modellerini herhangi bir donanım上的 üretim sınıfı çözümlerine dönüştürür. Deci, Gartner tarafından Edge AI için Teknolojik İnovatör olarak tanınmıştır ve CB Insights’ın AI 100 listesine dahil edilmiştir. Özel teknolojisinin performansı, Intel ile MLPerf’de yeni rekorlar kırdı.

Size initially neler makine öğrenimi çekti?

Genç yaşlarımdan itibaren, yalnızca bunları kullanmakla kalmayıp, gerçekten nasıl çalıştıklarını anlamak için son teknoloji ürünleri her zaman fascine ettim.

Bu yaşam boyu süren fascinasyon, sonunda bilgisayar bilimi alanında PhD çalışmalarıma yol açtı, burada araştırmam Derin Sinir Ağları (DNN’ler) üzerinde odaklandı. Bu kritik teknolojiyi akademik bir ortamda anladıkça, AI’nın dünyamızı olumlu yönde nasıl etkileyebileceğini gerçekten kavramaya başladım. Trafiği izleyerek ve kazaları azaltabilen akıllı şehirlerden, insan müdahalesine ihtiyaç duymayan otonom araçlara, hayat kurtaran tıbbi cihazlara kadar – AI’nın toplumumuzu iyileştirebileceği sonsuz uygulamalar var. Her zaman bu devrimin bir parçası olmak istedim.

Deci AI’nin doğuş hikayesini paylaşabilir misiniz?

AI’nin çeşitli kullanım durumalarında ne kadar faydalı olabileceğini tanımak benim için kolaydı – PhD eğitimim sırasında da öyleydi. Ancak birçok şirket, geliştiricilerin üretim için hazır derin öğrenme modelleri geliştirmekte sürekli bir mücadele verdiğinden, AI’nin tam potansiyelinden yararlanmak için mücadele ediyor. Başka bir deyişle, AI’yi ürünleştirme hala süper zor.

Bu zorluklar, endüstrinin karşı karşıya olduğu AI verimlilik açığına büyük ölçüde atfedilebilir. Algoritmalar üssel olarak daha güçlü hale geliyor ve daha fazla hesaplama gücüne ihtiyaç duyuyor, ancak aynı zamanda genellikle kaynak kısıtlı kenar cihazlarda maliyet etkin bir şekilde dağıtılması gerekiyor.

Kurucu ortaklarım Prof. Ran El-Yaniv, Jonathan Elial ve ben, bu zorluğu gidermek için Deci’yi kurduk. Ve bunu, gördüğümüz gibi tek bir şekilde yaptık – AI’nin kendisinin bir sonraki nesil derin öğrenmeyi şekillendirmesini sağlayarak. Algoritmik bir yaklaşım benimsedik, daha erken aşamalarda AI algoritmalarının etkinliğini geliştirmeye çalıştık, bu da geliştiricilerin herhangi bir verilen çıkarım donanımı için en yüksek düzeyde doğruluk ve verimlilik sunan modeller oluşturup çalışmasını sağlayacaktır.

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

Derin öğrenme, makine öğrenimi gibi, bir AI alt alanıdır ve yeni bir uygulama dönemini güçlendirmeye ayarlanmıştır. Derin öğrenme, insan beyninin nasıl yapılandırıldığından büyük ölçüde esinlenmiştir, bu nedenle derin öğrenmeden bahsettiğimizde, “sinir ağları”ndan bahsederiz. Bu, kenar uygulamaları düşünün (akıllı şehirlerdeki kameralar, otonom araçlardaki sensörler, sağlık hizmetlerindeki analitik çözümler) için gerçek zamanlı olarak böyle iç görüler üretmek için yerinde derin öğrenme modelleri çok önemlidir.

Neural Architecture Search (NAS) nedir?

Neural Mimarisi Arama (NAS), daha iyi derin öğrenme modelleri elde etmeye yönelik bir teknolojik disiplin olarak hedeflenmiştir.

Google’ın 2017’deki NAS üzerine öncü çalışması, konuyu en azından araştırma ve akademik çevrelerde ana akıma taşımaya yardımcı oldu.

NAS’in amacı, belirli bir sorun için en iyi sinir ağı mimarisini bulmaktır. DNN’lerin tasarımını otomatikleştirir, bu da manuel olarak tasarlanan mimarilere göre daha yüksek performans ve daha düşük kayıplar sağlar. Bir algoritmanın, belirli bir sorunu çözmek için en uygun mimariyi üretmek için milyonlarca mevcut model mimari alanını araması gereken bir süreçtir. Basitçe söylemek gerekirse, AI’yi, belirli bir projenin özel ihtiyaçlarına göre yeni AI tasarlamak için kullanır.

Geliştirme sürecini basitleştirmek, deneme ve yanılma iterasyonlarını azaltmak ve uygulamaların doğruluk ve performans hedeflerine en iyi şekilde hizmet edebilecek nihai modelle sonuçlanmak için takımlar tarafından kullanılır.

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

Geleneksel NAS’in ana sınırlamaları erişilebilirlik ve ölçeklenebilirliktir. NAS, genellikle yalnızca teknoloji devleri gibi Google ve Facebook veya Stanford gibi akademik enstitülerde yapılan araştırma ortamlarında kullanılır, çünkü geleneksel NAS teknikleri karmaşıktır ve çok fazla hesaplama kaynağı gerektirir.

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

Görüntü tipine bağlı olarak nesne algılama öğrenimi nasıl farklılık gösterir?

Şaşırtıcı bir şekilde, görüntü alanının nesne algılama modellerinin eğitim süreci üzerinde önemli bir etkisi yoktur. Yayağı sokakta, tıbbi bir taramada tümör veya havaalanı güvenlik x-ray görüntüsünde gizli bir silah arıyorsanız, süreç neredeyse aynıdır. Modeli eğitmek için kullandığınız veri, eldeki görevi temsil etmeli ve modelin boyutu ve yapısı, görüntülerinizdeki nesnelerin boyutu, şekli ve karmaşıklığından etkilenabilir.

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

Deci’nin platformu, geliştiricilerin hızlı ve doğru derin öğrenme modellerini üretim için oluşturmasına, eğitmelerine ve dağıtmalarına olanak tanır. Bunu yaparak, takımlar, en son araştırmaları ve mühendislik en iyi uygulamalarını bir satır kodla kullanabilir, piyasaya çıkış süresini aylardan birkaç haftaya kısaltabilir ve üretimdeki başarıyı garanti edebilir.

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 çalışan ve bugüne kadar 55 milyon doların üzerinde fon ile, geliştiricilerin AI’nin gerçek potansiyelini gerçekleştirmelerine ve eyleme geçmelerine yardımcı olmaya devam edebileceğimizden eminiz. Lansmanımızdan bu yana, CB Insights’ın AI 100 listesine dahil edildik, çığır açan başarılar elde ettik, Örneğin CPU’lar上的 derin öğrenme performansı için yeni bir model ailesi sunuyoruz ve anlamlı işbirlikleri kurduk, Intel gibi büyük isimlerle.

Deci AI hakkında paylaşmak istediğiniz başka bir şey var mı?

Önce de bahsettiğim gibi, AI verimlilik açığı, AI ürünleştirilmesi için büyük engeller oluşturmaya devam ediyor. “Sol’a kayma” – üretim kısıtlamalarını geliştirme yaşam döngüsünün erken aşamalarında hesaba katma – potansiyel engelleri üretim için dağıtmak için harcanan zamanı ve maliyeti azaltır. Platformumuz, şirketlere dünya değiştiren AI çözümlerini başarıyla geliştirmeleri ve dağıtmaları için gerekli araçları sağlamada kendini kanıtlamıştır.

Amacımız basittir – AI’yi geniş çapta erişilebilir, uygun fiyatlı ve ölçeklenebilir hale getirmek.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Deci‘yi ziyaret edebilir.