Deci 首席执行官兼联合创始人 Yonatan Geifman – 采访系列

Yonatan Geifman 是 Deci 的首席执行官兼联合创始人，Deci 是一家能够将 AI 模型转化为任何硬件上的生产级解决方案的公司。Deci 被 Gartner 认可为边缘 AI 的技术创新者，并被 CB Insights 列入 AI 100 名单。其专有技术的性能在 MLPerf 中与 Intel 合作创造了新的记录。

是什么最初吸引你进入机器学习领域？

从小，我就对尖端技术充满了兴趣，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研究奠定了基础，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一关键技术时，我开始真正理解 AI 如何积极影响我们周围的世界。从智能城市到自动驾驶汽车，再到生命支持的医疗设备，AI 有无数的应用场景。我一直知道我想参与这场革命。

您能否分享 Deci AI 的创立故事？

很容易认识到——当我在读博士的时候，我就意识到 AI 在各个领域的潜在益处。然而，许多企业难以充分发挥 AI 的潜力，因为开发人员面临着开发生产就绪的深度学习模型的艰巨任务。换句话说，产品化 AI 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。算法变得越来越强大，需要更多的计算能力，但同时需要以成本效益的方式部署，通常是在资源受限的边缘设备上。

我的联合创始人 Ran El-Yaniv、Jonathan Elial 和我共同创立了 Deci，以解决这一挑战。我们采取了算法优先的方法，致力于提高 AI 算法的有效性，从而使开发人员能够构建和使用高精度和效率的模型。

深度学习是 Deci AI 的核心，您能为我们定义一下吗？

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程序以生命。深度学习深受人类大脑结构的启发，这就是为什么我们在讨论深度学习时会讨论“神经网络”。这对于边缘应用程序（如智能城市中的摄像头、自动驾驶汽车中的传感器和医疗保健中的分析解决方案）至关重要，因为现场深度学习模型对于实时生成这些见解至关重要。

什么是神经网络架构搜索？

神经网络架构搜索（NAS）是一种技术学科，旨在获得更好的深度学习模型。

2017 年，Google (GOOGL ) 在 NAS 领域的开创性工作帮助将该主题推入研究和学术界的主流。

NAS 的目标是为给定的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，专门设计用于解决特定的问题。简单来说，它利用 AI 设计新的 AI，基于任何给定项目的特定需求。

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准确性和性能目标的模型。

神经网络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 今天主要用于研究环境，通常只由像 Google 和 Facebook (META ) 这样的科技巨头或斯坦福大学这样的学术机构使用，因为传统的 NAS 技术很难执行，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（自动神经网络架构构造）技术方面的成就感到自豪。AutoNAC 民主化了 NAS，使所有规模的公司都能够轻松构建具有更好状态和速度的自定义模型架构，以满足其应用程序的需求。

基于图像类型的物体检测学习有何不同？

令人惊讶的是，图像的域并不大大影响物体检测模型的训练过程。无论您是在寻找街上的行人、医疗扫描中的肿瘤还是机场安检的 X 光图像中的隐藏武器，过程基本相同。您用来训练模型的数据需要能代表任务，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，仅需一行代码，缩短上市时间从数月到几周，并保证生产中的成功。

您最初以 6 人的团队开始，现在正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一些挑战？

我们对自 2019 年成立以来取得的成长感到兴奋。如今，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。自成立以来，我们被列入 CB Insights 的 2021 年 AI 100 名单，实现了开创性的成就，例如我们的模型家族，它在 CPU 上实现了突破性的深度学习性能，并巩固了重要的合作伙伴关系，包括与英特尔的合作。

您是否还有其他关于 Deci AI 的信息想要分享？

正如我之前提到的，AI 效率差距继续为 AI 产品化带来重大障碍。通过在开发周期的早期考虑生产约束，我们可以减少在生产中部署深度学习模型时可能出现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 广泛可访问、经济和可扩展。

感谢这次精彩的采访，希望了解更多的读者可以访问 Deci 的网站。