Крішна Рангасає, засновник та генеральний директор SiMa.ai – Серія інтерв’ю

Крішна Рангасає – засновник і генеральний директор SiMa.ai. Раніше Крішна був операційним директором Groq і працював у Xilinx протягом 18 років, де обіймав різні керівні посади, включаючи старшого віце-президента та генерального менеджера всього бізнесу, а також виконавчого віце-президента глобальних продажів. Під час роботи у Xilinx Крішна збільшив бізнес до 2,5 млрд доларів США доходу при валовій маржі 70%, створивши основу для 10+ кварталів послідовного зростання та розширення частки ринку. До того, як приєднатися до Xilinx, він обіймав різні інженерні та бізнес-посади в Altera Corporation і Cypress Semiconductor. Він володіє понад 25 міжнародними патентами та входив до складу ради директорів публічних і приватних компаній.

Що спочатку привернуло вашу увагу до машинного навчання?

Я вивчав ринки вбудованого краю та хмари протягом останніх 20 років. Я бачив багато інновацій у хмарі, але дуже мало для забезпечення машинного навчання на краю. Це величезний недопоставлений ринок вартістю понад 40 млрд доларів США, який виживає на старій технології протягом десятиліть.

Тому ми почали щось, чого ніхто раніше не робив – надали можливість беззшовного машинного навчання для вбудованого краю.

Чи можете ви поділитися історією створення SiMa?

За свою 20-річну кар’єру я ще не бачив архітектурних інновацій, які відбувалися на ринку вбудованого краю. Однак потреба в машинному навчанні на вбудованому краю зростала у хмарі та елементах Інтернету речей. Це доводить, що компанії вимагають машинного навчання на краю, але технологія для реалізації цього реальності є застарілою.

Отже, до того, як SiMa.ai почала розробку нашої конструкції, нам було важливо зрозуміти найбільші проблеми наших клієнтів. Однак отримати від них час для ранньої стадії стартапу, щоб отримати значимі та чесні відгуки, було своєю власною проблемою. На щастя, наша команда та я змогли використати нашу мережу з попередніх відносин, щоб закріпити бачення SiMa.ai з правильними цільовими компаніями.

Ми зустрілися з понад 30 клієнтами та поставили два базових питання: “Які найбільші проблеми при масштабуванні машинного навчання до вбудованого краю?” та “Як ми можемо допомогти?” Після багатьох обговорень про те, як вони хочуть змінити галузь та слухаючи їхні проблеми для досягнення цього, ми отримали глибоке розуміння їхніх болісних точок та розробили ідеї про те, як їх вирішити. Серед них:

• Отримання переваг машинного навчання без крутого навчання.
• Збереження спадкових застосунків разом із майбутнім безпечним забезпеченням реалізації машинного навчання.
• Робота з високопродуктивним, низькопотужним рішенням у дружньому середовищі.

Швидко ми зрозуміли, що нам потрібно надати ризикозмінений фазований підхід, щоб допомогти нашим клієнтам. Як стартап, нам потрібно було принести щось настільки привабливе та відрізняється від усіх інших. Жодна інша компанія не займалася цим явним потребою, тому ми обрали цей шлях.

SiMa.ai досягла цього рідкісного подвигу, архітектурно створивши першу в галузі програмно-орієнтовану, спеціально розроблену платформу систем на кристалі (MLSoC). За допомогою поєднання кремнію та програмного забезпечення машинне навчання тепер можна додати до застосунків вбудованого краю одним натисканням кнопки.

Чи можете ви поділитися своїм баченням того, як машинне навчання змінить все на краю?

Більшість компаній з машинного навчання зосереджені на високорістових ринках, таких як хмарні обчислення та автономне водіння. Однак це робототехніка, дрони, безшовна торгівля, розумні міста та промислові автоматики вимагають останньої технології машинного навчання для підвищення ефективності та зниження витрат.

Ці зростаючі сектори разом із поточними розчаруваннями при розгортанні машинного навчання на вбудованому краю пояснюють, чому ми вважаємо, що час сповнений можливостями. SiMa.ai підходить до цієї проблеми зовсім інакше; ми хочемо зробити масове впровадження реальністю.

Що досі заважало масштабуванню машинного навчання на краю?

Машинне навчання повинно легко інтегруватися з спадковими системами. Компанії Fortune 500 та стартапи вклали великі кошти у свої поточні технологічні платформи, але більшість з них не переписуватимуть весь свій код або повністю змінюватимуть свою основну інфраструктуру, щоб інтегрувати машинне навчання. Для мінімізації ризику та отримання переваг машинного навчання потрібно створити технологію, яка дозволить безшовну інтеграцію спадкового коду разом із машинним навчанням у їхніх системах. Це створює легкий шлях для розробки та розгортання цих систем для задоволення потреб застосунків та отримання переваг від інтелекту, який приносить машинне навчання.

Не існує великих роз’ємів, немає одного великого клієнта, який би зміг змінити ситуацію, тому нам не було іншого вибору, як підтримувати понад тисячу клієнтів, щоб真正 масштабувати машинне навчання та принести цей досвід їм. Ми виявили, що ці клієнти мають бажання використовувати машинне навчання, але вони не мають можливості отримати досвід навчання, оскільки їм бракує внутрішньої можливості створити та не мають внутрішньої бази знань. Тому їм хочеться реалізувати досвід машинного навчання, але зробити це без крутого навчання на вбудованому краю, і що це швидко призводить до того, що нам потрібно зробити цей досвід машинного навчання дуже зручним для клієнтів.

Як SiMA може так драматично зменшити споживання енергії порівняно з конкурентами?

Наша платформа MLSoC є основним двигуном, який дійсно забезпечує все, і нам потрібно відрізняти, що ми не будемо створювати прискорювач машинного навчання. Для 2 мільярдів доларів США, вкладених у стартапи з машинного навчання на краю, кожна галузева реакція на інновації полягала у створенні блоку прискорювача машинного навчання як ядра або мікросхеми. Що люди не визнають, так це те, що для міграції людей з класичної системи на кристалі до середовища машинного навчання потрібно середовище MLSoC, щоб люди могли запускати спадковий код з першого дня та поступово у фазованому ризикозміненому порядку розгортати свою здатність у компонент машинного навчання або одного дня вони робили семантичну сегментацію, використовуючи класичний підхід комп’ютерного зору, а наступного дня вони могли б зробити це, використовуючи підхід машинного навчання, але одним чи іншим способом ми дозволяємо нашим клієнтам можливість розгортати та розділяти свою проблему так, як вони вважають за потрібне, використовуючи класичний комп’ютерний зір, класичний процесор ARM-систем або гетерогенний обчислювальний машинного навчання. Для нас машинне навчання не є кінцевим продуктом, а засобом та інструментом, який ми надаємо нашим клієнтам, щоб вони могли використовувати його за допомогою методу натискання кнопки, вони могли б ітерувати свій дизайн попередньої обробки, післяобробки, аналітики та прискорення машинного навчання на одній платформі, забезпечуючи при цьому найвищу систему широкої продуктивності при найнижчій потужності.

Які деякі з основних пріоритетів ринку для SiMa?

Ми визначили кілька ключових ринків, деякі з яких швидше доходять до доходу, ніж інші. Найшвидший час до доходу – це розумний зір, робототехніка, промисловість 4.0 та дрони. Ринки, які потребують трохи більше часу через кваліфікації та стандартні вимоги, – це автомобільні та медичні застосування. Ми почали роботу у всіх цих напрямках, співпрацюючи з провідними гравцями кожної категорії.

Знімання зображень зазвичай відбувається на краю, а аналіз – у хмарі. Які переваги зміщення цієї стратегії розгортання?

Застосунки на краю потребують локальної обробки, для багатьох застосунків немає достатнього часу для передачі даних у хмару та назад. Можливості машинного навчання фундаментальни для застосунків на краю, оскільки рішення повинні прийматися в режимі реального часу, наприклад, у автомобільних застосунках та робототехніці, де рішення повинні оброблятися швидко та ефективно.

Чому підприємства повинні розглянути рішення SiMa замість ваших конкурентів?

Наша унікальна методологія програмно-орієнтованого підходу, упакованого з повним апаратним рішенням. Ми зосередилися на повному рішенні, яке вирішує те, що ми називаємо Any, 10x та Pushbutton як ядро проблем клієнтів. Оригінальна теза компанії полягає в тому, що ви натискаєте кнопку та отримуєте “Вау!” Дійсно, досвід повинен бути абстрагований до точки, де ви хочете, щоб тисячі розробників використовували його, але ви не хочете, щоб їм доводилося бути всі геніями машинного навчання, ви не хочете, щоб їм доводилося налаштовувати шар за шаром, ручне кодування для отримання бажаної продуктивності, ви хочете, щоб вони залишалися на найбільшому рівні абстракції та швидко розгортали беззшовне машинне навчання. Тому теза, за якої ми спіймали це, полягає у сильній кореляції з масштабуванням, оскільки це дійсно потрібно для беззшового досвіду машинного навчання та масштабування машинного навчання на вбудованому краю.

Чи є щось ще, що ви хотіли б поділитися про SiMa?

На ранній стадії розробки платформи MLSoC ми штовхали межі технологій та архітектури. Ми йшли всередину програмно-орієнтованої платформи, яка була зовсім новим підходом, що йшло проти всіх традиційних знань. Подорож у розумінні цього та подальшу реалізацію була важкою.

Недавній монументальний перемогу підтверджує силу та унікальність технології, яку ми створили. SiMa.ai досягла значної віхи у квітні 2023 року, обігнавши лідера індустрії у нашому дебютному показнику продуктивності MLPerf Benchmark у категорії Closed Edge Power. Ми пишаємося тим, що стали першою стартап-компанією, яка взяла участь та досягла переможних результатів у найбільш популярному та визнаному бенчмарку MLPerf для нашої продуктивності та потужності.

Ми почали з високих прагнень і до цього дня я пишаюсь тим, що бачення залишилося незмінним. Наша платформа MLSoC була спеціально створена для порушення галузевих норм щодо надання революційного рішення машинного навчання ринку вбудованого краю.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати SiMa.ai.