Йонатан Гейфман, CEO та співзасновник Deci – Серія інтерв’ю

Йонатан Гейфман є CEO та співзасновником Deci яка перетворює моделі штучного інтелекту на рішення рівня виробництва на будь-якому апаратному забезпеченні. Deci була визнана інноватором технологій для Edge AI компанією Gartner і включена до списку CB Insights’ AI 100. Її власна технологія встановила нові рекорди на MLPerf з Intel.

Що спочатку привернуло вашу увагу до машинного навчання?

З молодого віку я завжди був зацікавлений у передових технологіях – не тільки у використанні їх, але й у справжньому розумінні того, як вони працюють.

Ця життєва цікавість проклала шлях до моїх майбутніх докторських досліджень у галузі комп’ютерних наук, де моя робота була зосереджена на глибоких нейронних мережах (DNN). Коли я почав розуміти цю критичну технологію в академічному середовищі, я почав真正 розуміти способи, якими штучний інтелект може позитивно вплинути на світ навколо нас. Від розумних міст, які можуть краще контролювати рух і зменшувати кількість аварій, до автономних транспортних засобів, які потребують мінімального втручання людини, до медичних пристроїв, що рятують життя – є безліч застосувань, де штучний інтелект може покращити суспільство. Я завжди знав, що хочу взяти участь у цій революції.

Чи можете ви поділитися історією створення Deci AI?

Не важко визнати – як я зробив, коли навчався в докторантурі – наскільки корисним може бути штучний інтелект у різних випадках застосування. Однак багато підприємств борються з тим, щоб повністю реалізувати потенціал штучного інтелекту, оскільки розробники постійно стикаються з важкою боротьбою за створення моделей глибокого навчання, готових до виробництва. Іншими словами, залишається дуже складно створити продукт із штучним інтелектом.

Ці виклики можна в основному пояснити наявністю пробілу ефективності штучного інтелекту в галузі. Алгоритми стають експоненціально потужнішими і потребують більшої обчислювальної потужності, але водночас вони повинні бути розгорнуті економічно ефективним способом, часто на пристроях з обмеженими ресурсами.

Мої співзасновники професор Ран Ель-Янів, Джонатан Еліал і я заснували Deci, щоб подолати цей виклик. І ми зробили це єдиним можливим способом – використовуючи сам штучний інтелект для створення наступного покоління глибокого навчання. Ми прийняли алгоритмічний підхід, працюючи над покращенням ефективності алгоритмів штучного інтелекту на ранніх стадіях, що в свою чергу дозволить розробникам створювати і працювати з моделями, які забезпечують最高ші рівні точності і ефективності для будь-якого заданого апаратного забезпечення.

Глибоке навчання є ядром Deci AI, можете ви визначити його для нас?

Глибоке навчання, як і машинне навчання, є підгалуззю штучного інтелекту, призначеною для empowerment нового покоління застосувань. Глибоке навчання сильно натхненне структурою людського мозку, тому коли ми обговорюємо глибоке навчання, ми обговорюємо “нейронні мережі”. Це дуже актуально для застосувань на краю (наприклад, камер у розумних містах, сенсорів на автономних транспортних засобах, аналітичних рішень у сфері охорони здоров’я), де моделі глибокого навчання на місці є важливими для генерації таких знань в реальному часі.

Що таке пошук нейронної архітектури?

Пошук нейронної архітектури (NAS) є технологічною дисципліною, спрямованою на отримання кращих моделей глибокого навчання.

Піонерська робота Google над NAS у 2017 році допомогла привернути увагу до цієї теми, принаймні у дослідницьких і академічних колах.

Метою NAS є знайти найкращу нейронну архітектуру для задачі. Вона автоматизує проектування DNN, забезпечуючи вищу продуктивність і нижчі втрати порівняно з архітектурами, розробленими вручну. Це включає процес, за допомогою якого алгоритм шукає серед загальної кількості мільйонів доступних моделей архітектури, щоб отримати архітектуру, унікально придатну для вирішення конкретної задачі. Проще кажучи, це використання штучного інтелекту для проектування нового штучного інтелекту на основі конкретних потреб проекту.

Він використовується командами для спрощення процесу розробки, зменшення кількості ітерацій проб і помилок і забезпечення того, щоб вони отримали最終ну модель, яка найкраще відповідає цілям застосунку щодо точності і продуктивності.

Які є деякі обмеження пошuku нейронної архітектури?

Основними обмеженнями традиційного NAS є доступність і масштабованість. NAS сьогодні в основному використовується у дослідницьких середовищах і зазвичай проводиться лише технологічними гігантами, такими як Google і Facebook, або в академічних інститутах, таких як Стенфорд, оскільки традиційні методи NAS складні для виконання і вимагають великої кількості обчислювальних ресурсів.

Саме тому я так гордиться нашими досягненнями у розробці революційної технології AutoNAC (Автоматичного конструювання нейронної архітектури) компанії Deci, яка демократизує NAS і дозволяє компаніям усіх розмірів легко створювати індивідуальні архітектури моделей з точністю і швидкістю, кращими ніж сучасний стан справ, для своїх застосунків.

Як навчання об’єктного виявлення відрізняється залежно від типу зображення?

Дивно, але область зображень не суттєво впливає на процес навчання моделей об’єктного виявлення. Чи Ви шукаєте пішохода на вулиці, пухлину в медичному скані, або приховану зброю на рентгенівському зображенні, зробленому системою безпеки аеропорту, процес майже однаковий. Дані, які Ви використовуєте для навчання моделі, повинні бути репрезентативними для завдання, а розмір і структура моделі можуть бути залежними від розміру, форми і складності об’єктів на Вашому зображенні.

Як Deci AI пропонує платформу кінця в кінець для глибокого навчання?

Платформа Deci дозволяє розробникам створювати, тренувати і розгортати точні і швидкі моделі глибокого навчання у виробництво. Це дозволяє командам використовувати найновіші дослідження і найкращі інженерні практики з однією лінією коду, скоротити час виходу на ринок з місяців до декількох тижнів і гарантувати успіх у виробництві.

Ви почали з командою з 6 осіб, і тепер Ви обслуговуєте великі підприємства. Чи можете Ви обговорити зростання компанії і деякі з викликів, з якими Ви зіткнулися?

Ми раді зростанню, яке ми досягли з моменту заснування у 2019 році. Тепер у нас понад 50 співробітників і понад 55 мільйонів доларів фінансування на сьогоднішній день, ми впевнені, що можемо продовжувати допомагати розробникам реалізовувати і діяти згідно з справжнім потенціалом штучного інтелекту. З моменту запуску ми були включені до списку CB Insights’ AI 100, досягли революційних досягнень, таких як наша сім’я моделей, які забезпечують проривну продуктивність глибокого навчання на CPU, і уклали значущі партнерства, включаючи спільну роботу з великими компаніями, такими як Intel.

Чи є щось інше, що Ви хотіли б поділитися про Deci AI?

Як я згадував раніше, пробіл ефективності штучного інтелекту продовжує спричиняти великі перешкоди для продуктизації штучного інтелекту. “Зсув уліво” – врахування обмежень виробництва на ранніх стадіях циклу розробки, зменшує час і витрати, які витрачаються на виправлення потенційних перешкод при розгортанні моделей глибокого навчання у виробництво пізніше. Наша платформа довела свою здатність зробити саме це, забезпечуючи компаніям інструменти, необхідні для успішної розробки і розгортання революційних рішень штучного інтелекту.

Наша мета проста – зробити штучний інтелект широко доступним, доступним і масштабованим.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Deci.