Yonatan Geifman, Giám đốc điều hành & Đồng sáng lập của Deci – Loạt bài phỏng vấn

Yonatan Geifman là CEO & đồng sáng lập của Nơi đây giúp biến các mô hình AI thành các giải pháp cấp sản xuất trên mọi phần cứng. Deci đã được Gartner công nhận là Nhà cải tiến công nghệ cho Edge AI và được đưa vào danh sách AI 100 của CB Insights. Hiệu suất của công nghệ độc quyền của nó đã lập kỷ lục mới tại MLPerf với Intel.

Điều gì ban đầu thu hút bạn đến với học máy?

Từ khi còn trẻ, tôi luôn bị mê hoặc bởi những công nghệ tiên tiến – không chỉ sử dụng chúng mà còn thực sự hiểu cách chúng hoạt động.

Niềm đam mê trọn đời này đã mở đường cho nghiên cứu Tiến sĩ cuối cùng của tôi về khoa học máy tính, nơi nghiên cứu của tôi tập trung vào Mạng lưới thần kinh sâu (DNN). Khi hiểu được công nghệ quan trọng này trong môi trường học thuật, tôi bắt đầu thực sự nắm bắt được những cách mà AI có thể tác động tích cực đến thế giới xung quanh chúng ta. Từ các thành phố thông minh có thể giám sát giao thông tốt hơn và giảm thiểu tai nạn, đến các phương tiện tự hành không cần hoặc không cần sự can thiệp của con người, đến các thiết bị y tế cứu người – có vô số ứng dụng mà AI có thể giúp xã hội tốt hơn. Tôi luôn biết mình muốn tham gia vào cuộc cách mạng đó.

Bạn có thể chia sẻ câu chuyện về nguồn gốc đằng sau Deci AI không?

Không khó để nhận ra - như tôi đã làm khi còn học tiến sĩ - AI có thể mang lại lợi ích như thế nào trong các trường hợp sử dụng trên diện rộng. Tuy nhiên, nhiều doanh nghiệp đang gặp khó khăn trong việc tận dụng toàn bộ tiềm năng của AI khi các nhà phát triển liên tục phải đối mặt với một cuộc chiến khó khăn để phát triển các mô hình học sâu sẵn sàng sản xuất để triển khai. Nói cách khác, việc sản xuất AI vẫn còn rất khó khăn.

Những thách thức này phần lớn có thể là do khoảng cách về hiệu quả AI mà ngành đang phải đối mặt. Các thuật toán đang phát triển mạnh mẽ hơn theo cấp số nhân và đòi hỏi nhiều sức mạnh tính toán hơn nhưng song song đó, chúng cần được triển khai theo cách tiết kiệm chi phí, thường là trên các thiết bị biên bị hạn chế về tài nguyên.

Những người đồng sáng lập của tôi, Giáo sư Ran El-Yaniv, Jonathan Elial và tôi đã đồng sáng lập Deci để giải quyết thách thức đó. Và chúng tôi đã làm điều đó theo cách duy nhất mà chúng tôi thấy có thể – bằng cách sử dụng chính AI để tạo ra thế hệ học sâu tiếp theo. Chúng tôi áp dụng cách tiếp cận ưu tiên thuật toán, nỗ lực cải thiện hiệu quả của thuật toán AI ở các giai đoạn trước, từ đó sẽ trao quyền cho các nhà phát triển xây dựng và làm việc với các mô hình mang lại mức độ chính xác và hiệu quả cao nhất cho bất kỳ phần cứng suy luận cụ thể nào.

Học sâu là cốt lõi của Deci AI, bạn có thể định nghĩa nó cho chúng tôi không?

Học sâu, giống như học máy, là một lĩnh vực con của AI, được thiết lập để trao quyền cho một kỷ nguyên ứng dụng mới. Học sâu được lấy cảm hứng rất nhiều từ cách cấu trúc bộ não con người, đó là lý do tại sao khi thảo luận về học sâu, chúng ta thảo luận về “mạng lưới thần kinh”. Điều này cực kỳ phù hợp với các ứng dụng cạnh (ví dụ như camera ở thành phố thông minh, cảm biến trên xe tự hành, giải pháp phân tích trong chăm sóc sức khỏe), nơi các mô hình học sâu tại chỗ đóng vai trò quan trọng để tạo ra những hiểu biết sâu sắc như vậy trong thời gian thực.

Tìm kiếm kiến ​​trúc thần kinh là gì?

Tìm kiếm kiến ​​trúc thần kinh (NAS) là một ngành công nghệ nhằm đạt được các mô hình học sâu tốt hơn.

Công việc tiên phong của Google trên NAS vào năm 2017 đã giúp đưa chủ đề này trở thành xu hướng chủ đạo, ít nhất là trong giới nghiên cứu và học thuật.

Mục tiêu của NAS là tìm kiến ​​trúc mạng thần kinh tốt nhất cho một vấn đề nhất định. Nó tự động hóa việc thiết kế DNN, đảm bảo hiệu suất cao hơn và tổn thất thấp hơn so với kiến ​​trúc được thiết kế thủ công. Nó liên quan đến một quá trình nhờ đó một thuật toán tìm kiếm trong một không gian tổng hợp gồm hàng triệu cung mô hình có sẵn, để tạo ra một kiến ​​trúc phù hợp duy nhất để giải quyết vấn đề cụ thể đó. Nói một cách đơn giản, nó sử dụng AI để thiết kế AI mới, dựa trên nhu cầu cụ thể của bất kỳ dự án cụ thể nào.

Nó được các nhóm sử dụng để đơn giản hóa quá trình phát triển, giảm số lần lặp lại thử và sai, đồng thời đảm bảo họ tạo ra mô hình cuối cùng có thể đáp ứng tốt nhất các mục tiêu về hiệu suất và độ chính xác của ứng dụng.

Một số hạn chế của Tìm kiếm kiến ​​trúc thần kinh là gì?

Hạn chế chính của NAS truyền thống là khả năng truy cập và khả năng mở rộng. NAS ngày nay chủ yếu được sử dụng trong môi trường nghiên cứu và thường chỉ được thực hiện bởi những gã khổng lồ công nghệ như Google và Facebook hoặc tại các viện hàn lâm như Stanford vì các kỹ thuật NAS truyền thống rất phức tạp để thực hiện và đòi hỏi nhiều tài nguyên máy tính.

Đó là lý do tại sao tôi rất tự hào về những thành tựu của chúng tôi trong việc phát triển công nghệ AutoNAC (Xây dựng kiến ​​trúc thần kinh tự động) mang tính đột phá của Deci. tốc độ cho các ứng dụng của họ.

Học phát hiện đối tượng khác nhau như thế nào dựa trên loại hình ảnh?

Đáng ngạc nhiên, miền của hình ảnh không ảnh hưởng đáng kể đến quá trình đào tạo các mô hình phát hiện đối tượng. Cho dù bạn đang tìm kiếm một người đi bộ trên đường, một khối u trong bản quét y tế hay vũ khí giấu trong hình ảnh X-quang do an ninh sân bay chụp, quá trình này gần như giống nhau. Dữ liệu mà bạn sử dụng để đào tạo mô hình của mình cần phải đại diện cho nhiệm vụ hiện tại, kích thước và cấu trúc mô hình có thể bị ảnh hưởng bởi kích thước, hình dạng và độ phức tạp của các đối tượng trong hình ảnh của bạn.

Làm cách nào để Deci AI cung cấp một nền tảng toàn diện cho deep learning?

Nền tảng của Deci trao quyền cho các nhà phát triển xây dựng, đào tạo và triển khai các mô hình deep learning chính xác và nhanh chóng vào sản xuất. Khi làm như vậy, các nhóm có thể tận dụng các phương pháp hay nhất về kỹ thuật và nghiên cứu tiên tiến nhất với một dòng mã, rút ​​ngắn thời gian đưa sản phẩm ra thị trường từ vài tháng đến vài tuần và đảm bảo thành công trong quá trình sản xuất.

Ban đầu, bạn bắt đầu với một nhóm gồm 6 người và hiện bạn đang phục vụ các doanh nghiệp lớn. Bạn có thể thảo luận về sự phát triển của công ty và một số thách thức bạn gặp phải không?

Chúng tôi rất vui mừng với sự tăng trưởng mà chúng tôi đã đạt được kể từ khi bắt đầu vào năm 2019. Hiện tại, với hơn 50 nhân viên và hơn 55 triệu đô la tài trợ cho đến nay, chúng tôi tự tin có thể tiếp tục giúp các nhà phát triển nhận ra và hành động dựa trên tiềm năng thực sự của AI. Kể từ khi ra mắt, chúng tôi đã được đưa vào AI 100 của CB Insights, đã đạt được những thành tựu đột phá, chẳng hạn như dòng mô hình mang lại đột phá của chúng tôi hiệu suất học sâu trên CPUvà củng cố các mối quan hệ hợp tác có ý nghĩa, kể cả với những tên tuổi lớn như Intel.

Có điều gì khác mà bạn muốn chia sẻ về Deci AI không?

Như tôi đã đề cập trước đây, khoảng cách về hiệu quả AI tiếp tục gây ra những trở ngại lớn cho quá trình sản xuất AI. “Chuyển sang trái” – sớm giải quyết các hạn chế về sản xuất trong vòng đời phát triển, giúp giảm thời gian và chi phí dành cho việc khắc phục các trở ngại tiềm ẩn khi triển khai các mô hình học sâu trong dây chuyền sản xuất. Nền tảng của chúng tôi đã chứng tỏ có thể làm được điều đó bằng cách cung cấp cho các công ty những công cụ cần thiết để phát triển và triển khai thành công các giải pháp AI đang thay đổi thế giới.

Mục tiêu của chúng tôi rất đơn giản – làm cho AI có thể truy cập rộng rãi, giá cả phải chăng và có thể mở rộng.

Cảm ơn bạn về cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm hãy truy cập Nơi đây.