Yonatan Geifman，Deci 的 CEO 和联合创始人 – 采访系列

Yonatan Geifman 是 Deci 的 CEO 和联合创始人，Deci 将 AI 模型转化为可在任何硬件上运行的生产级解决方案。Deci 被 Gartner 认可为 Edge AI 领域的科技创新者，并被列入 CB Insights 的 AI 100 名单。其专有技术在 MLPerf 中与 Intel 合作取得了新的记录。

最初是什么吸引你进入机器学习领域？

从小，我就一直对尖端技术很感兴趣 – 不仅仅是使用它们，还要真正了解它们的工作原理。

这种终身的迷恋为我后来的计算机科学博士学位研究铺平了道路，我的研究重点是深度神经网络（DNNs）。当我在学术环境中深入了解这个关键技术时，我开始真正理解 AI 如何积极影响我们周围的世界。从可以更好地监控交通和减少事故的智能城市，到需要很少或不需要人工干预的自动驾驶汽车，到可以挽救生命的医疗设备 – 有无数的应用场景可以让 AI 改善社会。我一直知道我想参与这场革命。

你能分享 Deci AI 的创立故事吗？

不难认识到 – 就像我在读博士学位时一样 – AI 在各个应用场景中可以带来的益处。然而，许多企业难以充分发挥 AI 的潜力，因为开发人员不断面临着开发生产就绪的深度学习模型以部署的艰巨挑战。换句话说，产品化 AI 仍然非常困难。

这些挑战在很大程度上可以归因于行业面临的 AI 效率差距。算法的力量正在指数级增长，需要更多的计算能力，但同时需要以成本有效的方式部署，通常是在资源受限的边缘设备上。

我的联合创始人 Ran El-Yaniv 教授、Jonathan Elial 和我共同创立了 Deci，以解决这一挑战。我们所看到的唯一解决方案是使用 AI 本身来打造下一代深度学习。我们采用了算法优先的方法，致力于提高 AI 算法在早期阶段的有效性，这将使开发人员能够构建和使用能够为任何给定的推理硬件提供最高准确性和效率的模型。

深度学习是 Deci AI 的核心，你能为我们定义它吗？

深度学习，如机器学习，是 AI 的一个子领域，旨在赋予新一代应用新的能力。深度学习深受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，我们会讨论“神经网络”。这对于边缘应用（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）非常重要，因为实时生成这些见解的深度学习模型至关重要。

什么是神经架构搜索？

神经架构搜索（NAS）是一种技术学科，旨在获得更好的深度学习模型。

2017 年 Google 的 NAS 先驱工作帮助将该主题带入主流，至少在研究和学术圈内。

NAS 的目标是为给定问题找到最佳的神经网络架构。它自动设计深度神经网络，确保比手动设计的架构具有更高的性能和更低的损失。它涉及一个过程，其中算法在数百万个可用模型架构中搜索，以产生一个独特的架构来解决特定的问题。简而言之，它利用 AI 来设计新的 AI，基于任何给定项目的具体需求。

它被团队用来简化开发过程，减少试验和错误的迭代，并确保他们最终拥有最适合应用程序的准确性和性能目标的模型。

神经架构搜索的局限性是什么？

传统 NAS 的主要局限性是可访问性和可扩展性。NAS 今天主要在研究环境中使用，通常仅由像 Google 和 Facebook 这样的科技巨头或斯坦福这样的学术机构使用，因为传统的 NAS 技术很复杂，需要大量的计算资源。

这就是为什么我为我们在开发 Deci 的开创性 AutoNAC（自动神经架构构造）技术感到自豪的原因，它使 NAS 民主化，使所有规模的公司都能够轻松地为其应用程序构建具有更好状态和速度的自定义模型架构。

基于图像类型的物体检测学习有何不同？

令人惊讶的是，图像的域不大幅度影响物体检测模型的训练过程。无论您是在街上寻找行人，在医疗扫描中寻找肿瘤，还是在机场安检的 X 光图像中寻找隐蔽的武器，过程几乎相同。用于训练模型的数据需要能够代表任务，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 如何提供深度学习的端到端平台？

Deci 的平台使开发人员能够构建、训练和部署准确且快速的深度学习模型到生产环境中。通过这样做，团队可以利用最先进的研究和工程最佳实践，只需一行代码，缩短时间到市场从几个月到几周，并保证生产中的成功。

您最初以 6 人团队开始，现在为大型企业提供服务。您能否讨论公司的增长以及您面临的挑战？

我们对自 2019 年成立以来取得的成长感到兴奋。现在，我们拥有超过 50 名员工，并获得了超过 5500 万美元的资金，我们相信我们可以继续帮助开发人员实现和发挥 AI 的真正潜力。自推出以来，我们已被列入 CB Insights 的 AI 100，取得了开创性的成就，例如我们的模型家族，它们在 CPU 上实现了突破性的 深度学习性能，并巩固了有意义的合作，包括与 Intel 等大公司的合作。

您是否还有其他关于 Deci AI 的内容想要分享？

如我之前提到的，AI 效率差距继续对 AI 产品化造成重大障碍。“向左移” – 在开发生命周期的早期考虑生产约束，减少在生产中部署深度学习模型时可能遇到的潜在障碍的时间和成本。我们的平台已经证明能够做到这一点，通过为公司提供成功开发和部署具有变革性的 AI 解决方案所需的工具。

我们的目标很简单 – 使 AI 广泛可用、经济且可扩展。

感谢这次精彩的采访，希望了解更多的读者可以访问 Deci。