Yonatan Geifman，Deci 首席执行官兼联合创始人 – 访谈系列

约纳坦·盖夫曼 是首席执行官兼联合创始人 德西 它将人工智能模型转换为任何硬件上的生产级解决方案。 Deci 被 Gartner 评为边缘 AI 技术创新者，并入选 CB Insights 的 AI 100 名单。 其专有技术的性能在英特尔的 MLPerf 上创下了新记录。

机器学习最初吸引您的是什么？

从很小的时候起，我就一直对尖端技术着迷——不仅仅是使用它们，而是真正理解它们是如何工作的。

这种终生的迷恋为我最终攻读计算机科学博士学位铺平了道路，我的研究重点是深度神经网络（DNN）。 当我在学术环境中了解这项关键技术时，我开始真正掌握人工智能如何对我们周围的世界产生积极影响。 从可以更好地监控交通并减少事故的智能城市，到几乎不需要人工干预的自动驾驶汽车，再到挽救生命的医疗设备——人工智能可以在无数的应用中改善社会。 我一直都知道我想参与这场革命。

您能分享一下 Deci AI 背后的起源故事吗？

正如我在学校攻读博士学位时所做的那样，不难认识到人工智能在各个用例中的益处。 然而，许多企业都在努力充分利用人工智能的潜力，因为开发人员在开发可用于部署的生产就绪深度学习模型方面不断面临着一场艰苦的战斗。 换句话说，人工智能的产品化仍然非常困难。

这些挑战很大程度上可以归因于行业面临的人工智能效率差距。 算法的功能呈指数级增长，需要更多的计算能力，但同时它们需要以经济高效的方式部署，通常部署在资源受限的边缘设备上。

我和我的联合创始人 Ran El-Yaniv 教授、Jonathan Elial 共同创立了 Deci 来应对这一挑战。 我们以我们认为可能的唯一方式做到了这一点——利用人工智能本身来打造下一代深度学习。 我们采用算法优先的方法，致力于提高早期阶段人工智能算法的效率，这反过来又将使开发人员能够构建和使用模型，为任何给定的推理硬件提供最高水平的准确性和效率。

深度学习是Deci AI的核心，您能为我们定义一下吗？

深度学习与机器学习一样，是人工智能的一个子领域，旨在开启新的应用时代。 深度学习很大程度上受到人类大脑结构的启发，这就是为什么当我们讨论深度学习时，我们讨论“神经网络”。 这与边缘应用（例如智能城市中的摄像头、自动驾驶汽车上的传感器、医疗保健中的分析解决方案）非常相关，其中现场深度学习模型对于实时生成此类见解至关重要。

什么是神经架构搜索？

神经架构搜索（NAS）是一门旨在获得更好的深度学习模型的技术学科。

谷歌 2017 年在 NAS 方面的开创性工作帮助该主题成为主流，至少在研究和学术界是如此。

NAS 的目标是为给定问题找到最佳的神经网络架构。 它自动化了 DNN 的设计，确保比手动设计的架构更高的性能和更低的损失。 它涉及一个过程，算法在数百万个可用模型架构的聚合空间中进行搜索，以产生唯一适合解决该特定问题的架构。 简而言之，它根据任何给定项目的特定需求，利用人工智能来设计新的人工智能。

团队使用它来简化开发过程，减少反复试验，并确保他们最终得到能够最好地满足应用程序准确性和性能目标的最终模型。

神经架构搜索有哪些限制？

传统 NAS 的主要限制是可访问性和可扩展性。 如今 NAS 主要用于研究环境，通常仅由 Google 和 Facebook 等科技巨头或斯坦福大学等学术机构进行，因为传统 NAS 技术执行起来很复杂，并且需要大量计算资源。

这就是为什么我对我们在开发 Deci 突破性 AutoNAC（自动神经架构构建）技术方面取得的成就感到非常自豪，该技术使 NAS 大众化，并使各种规模的公司能够轻松构建自定义模型架构，其精度和精度优于最先进的水平。他们的应用程序的速度。

根据图像类型学习目标检测有何不同？

令人惊讶的是，图像的域并没有显着影响目标检测模型的训练过程。 无论您是在街上寻找行人、医学扫描中的肿瘤，还是机场安检拍摄的 X 射线图像中的隐藏武器，过程都几乎相同。 用于训练模型的数据需要能够代表手​​头的任务，并且模型的大小和结构可能会受到图像中对象的大小、形状和复杂性的影响。

Deci AI 如何提供端到端的深度学习平台？

Deci 的平台使开发人员能够构建、训练准确、快速的深度学习模型并将其部署到生产中。 在此过程中，团队可以通过一行代码利用最前沿的研究和工程最佳实践，将上市时间缩短数月至几周，并保证生产成功。

你最初是一个6人的团队，现在服务于大型企业。 您能谈谈公司的发展以及您面临的一些挑战吗？

我们对自 2019 年以来取得的增长感到兴奋。现在，我们拥有 50 多名员工，迄今为止已获得超过 55 万美元的资金，我们有信心能够继续帮助开发人员实现人工智能的真正潜力并采取行动。 自推出以来，我们已被纳入 CB Insights 的 AI 100，取得了突破性的成就，例如我们的系列车型实现了突破 CPU 上的深度学习性能，并巩固有意义的合作，包括与诸如 英特尔.

关于 Deci AI，您还有什么想分享的吗？

正如我之前提到的，人工智能效率差距继续成为人工智能产品化的主要障碍。 “左移”——在开发生命周期的早期考虑生产限制，减少在生产中部署深度学习模型时修复潜在障碍所花费的时间和成本。 事实证明，我们的平台能够为公司提供成功开发和部署改变世界的人工智能解决方案所需的工具，从而做到这一点。

我们的目标很简单——让人工智能能够广泛使用、负担得起且可扩展。

感谢您的精彩采访，想要了解更多信息的读者可以访问 德西.