Yonatan Geifman, CEO & Co-Founder của Deci – Loạt phỏng vấn

Yonatan Geifman là CEO & Co-Founder của Deci mà chuyển đổi các mô hình AI thành giải pháp cấp sản xuất trên bất kỳ phần cứng nào. Deci đã được công nhận là một nhà đổi mới công nghệ cho Edge AI bởi Gartner và được включ vào danh sách AI 100 của CB Insights. Công nghệ độc quyền của họ đã thiết lập kỷ lục mới tại MLPerf với Intel.

Điều gì đã thu hút bạn đến máy học?

Từ khi còn nhỏ, tôi đã luôn bị thu hút bởi các công nghệ tiên tiến – không chỉ sử dụng chúng, mà còn hiểu rõ cách chúng hoạt động.

Sự tò mò suốt đời này đã mở đường cho tôi trong các nghiên cứu tiến sĩ về khoa học máy tính, nơi nghiên cứu của tôi tập trung vào các mạng nơ-ron sâu (DNNs). Khi tôi hiểu rõ công nghệ quan trọng này trong môi trường học thuật, tôi bắt đầu thực sự nhận ra cách AI có thể tích cực ảnh hưởng đến thế giới xung quanh chúng ta. Từ các thành phố thông minh có thể theo dõi và giảm thiểu tai nạn giao thông, đến các phương tiện tự hành đòi hỏi sự can thiệp của con người, đến các thiết bị y tế cứu sống – có vô số ứng dụng mà AI có thể làm cho xã hội tốt hơn. Tôi luôn biết tôi muốn tham gia vào cuộc cách mạng đó.

Bạn có thể chia sẻ câu chuyện về sự ra đời của Deci AI?

Nó không khó để nhận ra – như tôi đã nhận ra khi tôi còn học tiến sĩ – lợi ích của AI có thể được sử dụng trong các trường hợp trên toàn bộ. Tuy nhiên, nhiều doanh nghiệp gặp khó khăn trong việc tận dụng tối đa tiềm năng của AI vì 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 cho sản xuất. Nói cách khác, nó vẫn rất khó để sản xuất AI.

Các thách thức này có thể chủ yếu được quy cho khoảng cách hiệu suất AI mà ngành công nghiệp đang đối mặt. Các thuật toán đang trở nên mạnh mẽ hơn theo cấp số nhân và đòi hỏi nhiều năng lực tính toán hơn, nhưng đồng thời chúng cần được triển khai một cách hiệu quả về chi phí, thường trên các thiết bị biên có hạn chế về tài nguyên.

Các đồng sáng lập của tôi, Giáo sư Ran El-Yaniv, Jonathan Elial và tôi đã thành 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 AI chính nó để tạo ra thế hệ tiếp theo của học sâu. Chúng tôi đã áp dụng một cách tiếp cận thuật toán đầu tiên, làm việc để cải thiện hiệu quả của các thuật toán AI ở các giai đoạn đầu, điều này sẽ trao quyền cho các nhà phát triển xây dựng và làm việc với các mô hình cung cấp mức độ chính xác và hiệu quả cao nhất cho bất kỳ phần cứng suy luận nào.

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

Học sâu, giống như máy học, là một lĩnh vực con của AI, nhằm trao quyền cho một kỷ nguyên mới của các ứng dụng. Học sâu được lấy cảm hứng mạnh mẽ từ cấu trúc của não người, đó là lý do tại sao khi chúng ta thảo luận về học sâu, chúng ta thảo luận về “các mạng nơ-ron”. Điều này cực kỳ quan trọng đối với các ứng dụng biên (như máy ảnh trong các thành phố thông minh, cảm biến trên các phương tiện tự hành, giải pháp phân tích trong chăm sóc sức khỏe) nơi các mô hình học sâu tại chỗ là rất quan trọng để tạo ra những thông tin như vậy trong thời gian thực.

Neural Architecture Search là gì?

Neural Architecture Search (NAS) là một lĩnh vực công nghệ nhằm mục đích có được các mô hình học sâu tốt hơn.

Công việc tiên phong của Google (GOOGL ) về NAS vào năm 2017 đã giúp đưa chủ đề này vào mainstream, ít nhất là trong các vòng tròn nghiên cứu và học thuật.

Mục tiêu của NAS là tìm kiếm kiến trúc mạng nơ-ron tốt nhất cho một vấn đề nhất định. Nó tự động hóa việc thiết kế các DNN, đảm bảo hiệu suất cao hơn và tổn thất thấp hơn so với các kiến trúc được thiết kế thủ công. Nó bao gồm một quá trình mà một thuật toán tìm kiếm trong không gian tổng hợp của hàng triệu kiến trúc mô hình có sẵn, để tạo ra một kiến trúc độc đáo phù hợp để giải quyết vấn đề cụ thể đó. Để nói đơn giản, nó sử dụng AI để thiết kế AI mới, dựa trên nhu cầu cụ thể của bất kỳ dự án nào.

Nó được sử dụng bởi các nhóm để đơn giản hóa quá trình phát triển, giảm số lượng các lần lặp lại thử nghiệm và đảm bảo họ kết thúc với mô hình tối ưu có thể phục vụ tốt nhất các mục tiêu về độ chính xác và hiệu suất của ứng dụng.

Các hạn chế của Neural Architecture Search là gì?

Giới hạn chính của NAS truyền thống là tính khả dụng và khả năng mở rộng. NAS ngày nay chủ yếu được sử dụng trong các môi trường nghiên cứu và thường chỉ được thực hiện bởi các gã khổng lồ công nghệ như Google và Facebook (META ), hoặc tại các viện học thuật như Stanford vì các kỹ thuật NAS truyền thống phức tạp để thực hiện và đòi hỏi nhiều tài nguyên tính toán.

Đó là lý do tại sao tôi rất tự hào về những thành tựu của chúng tôi trong việc phát triển công nghệ AutoNAC (Automated Neural Architecture Construction) đột phá của Deci, giúp dân chủ hóa NAS và cho phép các công ty thuộc mọi quy mô dễ dàng xây dựng các kiến trúc mô hình tùy chỉnh với độ chính xác và tốc độ vượt trội so với các mô hình hiện có cho các ứng dụng của họ.

Làm thế nào việc học phát hiện vật thể khác nhau dựa trên loại hình ảnh?

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

Deci AI cung cấp một nền tảng từ đầu đến cuối cho học sâu như thế nào?

Nền tảng của Deci cho phép các nhà phát triển xây dựng, đào tạo và triển khai các mô hình học sâu chính xác và nhanh chóng đến sản xuất. Bằng cách đó, các nhóm có thể tận dụng các nghiên cứu và kỹ thuật tốt nhất với một dòng mã, rút ngắn thời gian đưa sản phẩm ra thị trường từ vài tháng xuống chỉ còn vài tuần và đảm bảo thành công trong sản xuất.

Bạn ban đầu bắt đầu với một nhóm 6 người và hiện đang phục vụ các doanh nghiệp lớn. Bạn có thể thảo luận về sự phát triển của công ty và một số thách thức mà bạn đã đối mặt?

Chúng tôi rất hào hứng với sự phát triển mà chúng tôi đã đạt được kể từ khi thành lập vào năm 2019. Hiện tại, với hơn 50 nhân viên và hơn 55 triệu đô la tiền vốn đến nay, chúng tôi tự tin rằng chúng tôi có thể tiếp tục giúp các nhà phát triển hiện thực hóa và hành động trên tiềm năng thực sự của AI. Kể từ khi ra mắt, chúng tôi đã được đưa vào danh sách CB Insights’ AI 100, đạt được những thành tựu đột phá, chẳng hạn như gia đình mô hình của chúng tôi cung cấp hiệu suất học sâu đột phá trên CPU, và củng cố các hợp tác có ý nghĩa, bao gồm cả với những cái tên lớn như Intel.

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

Como tôi đã đề cập trước đó, khoảng cách hiệu suất AI vẫn tiếp tục gây ra các chướng ngại vật lớn cho việc sản xuất AI. “Chuyển sang trái” – tính toán các hạn chế sản xuất sớm trong vòng đời phát triển, giảm thời gian và chi phí dành cho việc sửa chữa các chướng ngại vật tiềm ẩn khi triển khai các mô hình học sâu trong sản xuất sau này. Nền tảng của chúng tôi đã chứng minh khả năng làm điều đó bằng cách cung cấp cho các công ty các công cụ cần thiết để phát triển và triển khai các giải pháp AI thay đổi thế giới.

Мета của chúng tôi rất đơn giản – làm cho AI dễ tiếp cận, phải chăng và có thể mở rộng.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Deci.