Йонатан Гейфман, CEO та співзасновник Deci – Інтерв’ю

Йонатан Гейфман – CEO та співзасновник Deci який перетворює моделі штучного інтелекту у виробничі рішення на будь-якому апаратному забезпеченні. Deci був визнаний інноватором у сфері Edge AI компанією Gartner і включений до списку AI 100 компанії CB Insights. Його власна технологія встановила нові рекорди на MLPerf разом з Intel.

Що спочатку привернуло вашу увагу до машинного навчання?

З раннього віку я завжди був зацікавлений у передових технологіях – не тільки їх використання, але й справжнє розуміння того, як вони працюють.

Цей життєвий інтерес проклав шлях до моїх подальших досліджень у сфері 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 справді усвідомлювати, яким чином 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 мінімальної або жодної людської інтервенції, до рятувальних медичних пристроїв – є безліч застосунків, 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 складно визнати – як я зробив, коли я був у школі для свого PhD – як корисним може бути штучний інтелект у різних випадках. Однак багато підприємств борються з тим, щоб скористатися повним потенціалом штучного інтелекту, оскільки розробники постійно зустрічають складності при створенні готових до виробництва моделей глибокого навчання для розгортання. Інакше кажучи, залишається надзвичайно складно продуктизувати штучний інтелект.

Ці складності можна в основному пояснити наявним у галузі прогалиною ефективності штучного інтелекту. Алгоритми стають експоненційно потужнішими і потребують більше обчислювальної потужності, але водночас їм потрібно розгортатися ефективно, часто на апаратних пристроях з обмеженими ресурсами.

Мої співзасновники Проф. Ран Ель-Янів, Джонатан Еліал і я заснували Deci, щоб подолати цю проблему. І ми зробили це єдино 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 найвищі рівні точності і ефективності для будь-якого апаратного забезпечення.

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

Глибоке навчання, як і машинне навчання, є підгалуззю штучного інтелекту, яка має на меті надати нову еру застосунків. Глибоке навчання сильно засноване на структурі людського мозку, тому коли ми обговорюємо глибоке навчання, ми обговорюємо «нейронні мережі». Це надзвичайно важливо для застосунків 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 архітектури нейронної мережі?

Пошук архітектури нейронної мережі (NAS) – це технологічна дисципліна, спрямована на отримання кращих моделей глибокого навчання.

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

Метою NAS є знайти найкращу архітектуру нейронної мережі для даної проблеми. Це автоматизує проектування глибоких нейронних мереж, забезпечуючи вищу продуктивність і нижчі втрати порівняно з архітектурами, розробленими вручну. Це включає процес, під час якого алгоритм шукає серед загальної простору мільйонів доступних архітектур моделей, щоб отримати архітектуру, унікально придатну для розв’язання конкретної проблеми. Щоб простіше сказати, це використання штучного інтелекту для проектування нового штучного інтелекту на основі конкретних потреб будь-якого проекту.

Він використовується командами для спрощення процесу розробки, зменшення кількості ітерацій спроб і помилок та забезпечення того, щоб вони отримали кінцеву модель, яка найкраще відповідає цілям точності і продуктивності застосунку.

Які обмеження пошuku архітектури нейронної мережі?

Традиційний NAS має обмеження щодо доступності і масштабованості. NAS сьогодні в основному використовується у дослідницьких середовищах і зазвичай проводиться лише технологічними гігантами, такими як Google і Facebook (META ), або в академічних інститутах, таких як Стенфорд, оскільки традиційні методи NAS складні для виконання і вимагають великих обчислювальних ресурсів.

Тому я так гордиться нашими досягненнями у розробці революційної технології AutoNAC (Автоматичного конструювання нейронної архітектури) компанії Deci, яка демократизує NAS і дозволяє компаніям будь-якого розміру легко створювати індивідуальні архітектури моделей з точністю і швидкістю, кращими за сучасний рівень, для своїх застосунків.

Як навчання об’єктної детекції відрізняється залежно від типу зображення?

Незважаючи на те, що область зображень не суттєво впливає на процес навчання моделей об’єктної детекції. Чи ви шукаєте пішохода на вулиці, пухлину в медичному зображенні, або приховану зброю в рентгенівському зображенні, отриманому апаратами безпеки аеропорту, процес майже такий самий. 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 для глибокого навчання?

Платформа Deci дозволяє розробникам створювати, тренувати і розгортати точні та швидкі моделі глибокого навчання у виробництві. Це дозволяє командам використовувати найновіші дослідження і інженерні найкращі 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 обслуговуєте великі підприємства. Чи можете ви розповісти про зростання компанії і деякі з проблем, з якими ви зіштовхнулися?

Ми раді зростанню, яке ми досягли з моменту заснування у 2019 році. Тепер, понад 50 співробітників і понад $55 мільйонів фінансування на даний момент, ми впевнені, що можемо продовжувати допомагати розробникам усвідомлювати і реалізовувати справжній потенціал 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 процесорах, і уклали значимі партнерства, включаючи з великими компаніями, такими як Intel.

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

Як я згадував раніше, прогалина ефективності штучного інтелекту продовжує створювати великі перешкоди для продуктизації штучного інтелекту. «Зсув уліво» – врахування обмежень виробництва на ранніх стадіях життєвого циклу розробки, зменшує час і витрати, витрачені на виправлення потенційних перешкод при розгортанні моделей глибокого навчання у виробництві. Наша платформа довела свою здатність зробити саме це, надаючи компаніям інструменти, необхідні для успішної розробки і розгортання революційних рішень штучного інтелекту.

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

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