Йонатан Гейфман, генеральний директор і співзасновник Deci – Серія інтерв’ю

Йонатан Гейфман є генеральним директором і співзасновником Деці який перетворює моделі штучного інтелекту в рішення виробничого рівня на будь-якому обладнанні. Компанія Gartner визнала Deci технічним інноватором для Edge AI і включила його до списку 100 AI за версією CB Insights. Продуктивність його власної технології встановила нові рекорди на MLPerf з Intel.

Що спочатку привабило вас у машинному навчанні?

З дитинства я завжди захоплювався передовими технологіями — не просто використовував їх, а справді розумів, як вони працюють.

Це захоплення протягом усього життя проклало шлях до моєї подальшої аспірантури з інформатики, де мої дослідження були зосереджені на глибоких нейронних мережах (DNN). Коли я почав розуміти цю важливу технологію в академічному середовищі, я почав по-справжньому розуміти, як штучний інтелект може позитивно впливати на світ навколо нас. Від «розумних» міст, які можуть краще стежити за дорожнім рухом і зменшувати кількість аварій, до автономних транспортних засобів, які майже не потребують людського втручання, до життєво рятувальних медичних пристроїв – існує безліч додатків, у яких ШІ може покращити суспільство. Я завжди знав, що хочу брати участь у тій революції.

Не могли б ви поділитися історією генезису Deci AI?

Неважко зрозуміти – як я знав, коли навчався в школі, щоб отримати докторську дисертацію – наскільки ШІ може бути корисним у всіх випадках використання. Проте багатьом підприємствам важко використати весь потенціал ШІ, оскільки розробники постійно стикаються з важкою боротьбою за розробку готових до виробництва моделей глибокого навчання для розгортання. Іншими словами, створювати ШІ залишається надзвичайно складним.

Ці проблеми в основному можна пояснити розривом ефективності ШІ, з яким стикається галузь. Алгоритми експоненціально стають потужнішими та вимагають більшої обчислювальної потужності, але паралельно їх потрібно розгортати економічно ефективним способом, часто на периферійних пристроях з обмеженими ресурсами.

Мої співзасновники професор Ран Ель-Янів, Джонатан Еліал і я заснували Deci, щоб вирішити цю проблему. І ми зробили це єдиним способом, який вважали можливим – за допомогою штучного інтелекту для створення нового покоління глибокого навчання. Ми застосували алгоритмічний підхід, працюючи над підвищенням ефективності алгоритмів штучного інтелекту на ранніх етапах, що, у свою чергу, дасть можливість розробникам створювати та працювати з моделями, які забезпечують найвищий рівень точності та ефективності для будь-якого апаратного забезпечення висновків.

Глибоке навчання є основою Deci AI, чи не могли б ви дати нам це визначення?

Глибоке навчання, як і машинне навчання, є підгалуззю штучного інтелекту, призначеної для створення нової ери програм. Глибоке навчання значною мірою надихається структурою людського мозку, тому, коли ми обговорюємо глибоке навчання, ми обговорюємо «нейронні мережі». Це надзвичайно актуально для периферійних додатків (наприклад, камери в розумних містах, датчики на автономних транспортних засобах, аналітичні рішення в охороні здоров’я), де моделі глибокого навчання на місці мають вирішальне значення для генерації таких ідей у ​​реальному часі.

Що таке пошук нейронної архітектури?

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

Піонерська робота Google над NAS у 2017 році допомогла вивести цю тему на мейнстрім, принаймні в дослідницьких і академічних колах.

Мета NAS — знайти найкращу архітектуру нейронної мережі для даної проблеми. Він автоматизує проектування DNN, забезпечуючи вищу продуктивність і менші втрати, ніж архітектури, розроблені вручну. Це включає в себе процес, за допомогою якого алгоритм шукає серед сукупного простору мільйонів доступних модельних архітектурних систем, щоб отримати архітектуру, яка унікально підходить для вирішення цієї конкретної проблеми. Простіше кажучи, він використовує штучний інтелект для розробки нового штучного інтелекту на основі конкретних потреб будь-якого проекту.

Він використовується командами, щоб спростити процес розробки, скоротити кількість спроб і помилок і гарантувати, що вони отримають остаточну модель, яка найкраще задовольнить цільові показники точності та продуктивності програм.

Які деякі з обмежень пошуку нейронної архітектури?

Основними обмеженнями традиційних NAS є доступність і масштабованість. NAS сьогодні в основному використовується в дослідницьких умовах і зазвичай виконується лише такими технологічними гігантами, як Google і Facebook, або в академічних інститутах, таких як Стенфорд, оскільки традиційні методи NAS складні у виконанні та вимагають багато обчислювальних ресурсів.

Ось чому я так пишаюся нашими досягненнями в розробці революційної технології Deci AutoNAC (автоматизована конструкція нейронної архітектури), яка демократизує NAS і дозволяє компаніям будь-якого розміру легко створювати власні архітектури моделей із кращою, ніж найсучасніші, точністю та швидкість для своїх програм.

Як виявлення заперечень у навчанні відрізняється залежно від типу зображення?

Дивно, але область зображень не впливає кардинально на процес навчання моделей виявлення об'єктів. Незалежно від того, чи шукаєте ви пішохода на вулиці, пухлину на медичному скануванні чи приховану зброю на рентгенівському знімку, зробленому охороною аеропорту, процес майже однаковий. Дані, які ви використовуєте для навчання вашої моделі, повинні відповідати поставленому завданню, а на розмір і структуру моделі можуть вплинути розмір, форма та складність об’єктів на вашому зображенні.

Як Deci AI пропонує наскрізну платформу для глибокого навчання?

Платформа Deci дозволяє розробникам створювати, навчати та розгортати точні та швидкі моделі глибокого навчання у виробництві. Роблячи це, команди можуть використовувати найсучасніші дослідницькі та передові методи розробки за допомогою одного рядка коду, скоротити час виходу на ринок від місяців до кількох тижнів і гарантувати успіх у виробництві.

Спочатку ви починали з командою з 6 осіб, а зараз обслуговуєте великі підприємства. Чи могли б ви обговорити розвиток компанії та деякі проблеми, з якими ви зіткнулися?

Ми в захваті від зростання, якого ми досягли з початку 2019 року. Тепер, коли понад 50 співробітників і понад 55 мільйонів доларів фінансування на сьогоднішній день, ми впевнені, що зможемо й надалі допомагати розробникам реалізувати справжній потенціал ШІ та використовувати його. З моменту запуску ми були включені в AI 100 CB Insights, досягли новаторських досягнень, таких як наша сімейка моделей, які забезпечують прорив продуктивність глибокого навчання на ЦП, а також зміцнили значущу співпрацю, зокрема з такими відомими іменами, як Intel.

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

Як я вже згадував раніше, розрив у ефективності штучного інтелекту продовжує створювати серйозні перешкоди для виробництва штучного інтелекту. «Зрушення вліво» – врахування обмежень виробництва на ранніх етапах життєвого циклу розробки, скорочує час і кошти, витрачені на усунення потенційних перешкод під час розгортання моделей глибокого навчання у виробництві. Наша платформа довела здатність робити саме це, надаючи компаніям інструменти, необхідні для успішної розробки та розгортання рішень ШІ, які змінюють світ.

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

Дякую за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Деці.