Yonatan Geifman, CEO en medeoprichter van Deci – Interviewserie

Yonatan Geifman is de CEO en medeoprichter van Deci die AI-modellen transformeert in oplossingen van productiekwaliteit op alle hardware. Deci is door Gartner erkend als Tech Innovator for Edge AI en opgenomen in de AI 100-lijst van CB Insights. De prestaties van de gepatenteerde technologie vestigden nieuwe records op MLPerf met Intel.

Wat trok je aanvankelijk aan in machine learning?

Van jongs af aan was ik altijd gefascineerd door geavanceerde technologieën – niet alleen om ze te gebruiken, maar ook om echt te begrijpen hoe ze werken.

Deze levenslange fascinatie baande de weg naar mijn uiteindelijke doctoraatsstudies in de informatica, waarbij mijn onderzoek zich richtte op Deep Neural Networks (DNN’s). Toen ik deze cruciale technologie in een academische omgeving begon te begrijpen, begon ik echt te begrijpen hoe AI een positieve invloed kan hebben op de wereld om ons heen. Van slimme steden die het verkeer beter kunnen monitoren en ongevallen kunnen verminderen, tot autonome voertuigen waarvoor weinig tot geen menselijke tussenkomst nodig is, tot levensreddende medische apparaten: er zijn eindeloze toepassingen waar AI de samenleving zou kunnen verbeteren. Ik heb altijd geweten dat ik mee wilde doen aan die revolutie.

Kun je het ontstaansverhaal achter Deci AI delen?

Het is niet moeilijk om te herkennen – zoals ik deed toen ik op school zat voor mijn doctoraat – hoe nuttig AI kan zijn in use-cases over de hele linie. Toch hebben veel ondernemingen moeite om het volledige potentieel van AI te benutten, omdat ontwikkelaars voortdurend worden geconfronteerd met een zware strijd om productieklare deep learning-modellen voor implementatie te ontwikkelen. Met andere woorden, het blijft super moeilijk om AI te produceren.

Deze uitdagingen kunnen grotendeels worden toegeschreven aan de AI-efficiëntiekloof waarmee de industrie wordt geconfronteerd. Algoritmen worden exponentieel krachtiger en vereisen meer rekenkracht, maar tegelijkertijd moeten ze op een kostenefficiënte manier worden ingezet, vaak op randapparatuur met beperkte middelen.

Mijn mede-oprichters prof. Ran El-Yaniv, Jonathan Elial en ik hebben Deci mede opgericht om die uitdaging aan te gaan. En we deden het op de enige manier die we voor mogelijk hielden: door AI zelf te gebruiken om de volgende generatie deep learning te ontwikkelen. We hebben een algoritmische benadering omarmd, waarbij we werken aan het verbeteren van de effectiviteit van AI-algoritmen in de eerdere stadia, wat ontwikkelaars op hun beurt in staat zal stellen om modellen te bouwen en ermee te werken die de hoogste niveaus van nauwkeurigheid en efficiëntie leveren voor elke gegeven inferentiehardware.

Deep learning vormt de kern van Deci AI, kunt u dit voor ons definiëren?

Deep learning is, net als machine learning, een deelgebied van AI, dat een nieuw tijdperk van toepassingen mogelijk moet maken. Deep learning is sterk geïnspireerd door hoe het menselijk brein is gestructureerd. Daarom hebben we het bij het bespreken van deep learning over ‘neurale netwerken’. Dit is superrelevant voor edge-toepassingen (denk aan camera’s in slimme steden, sensoren op autonome voertuigen, analytische oplossingen in de gezondheidszorg) waar on-site deep learning-modellen cruciaal zijn om dergelijke inzichten in realtime te genereren.

Wat is Neural Architecture Search?

Neural Architecture Search (NAS) is een technologische discipline gericht op het verkrijgen van betere deep learning-modellen.

Het baanbrekende werk van Google op NAS in 2017 hielp het onderwerp mainstream te maken, in ieder geval binnen onderzoeks- en academische kringen.

Het doel van NAS is om de beste neurale netwerkarchitectuur voor een bepaald probleem te vinden. Het automatiseert het ontwerp van DNN’s en zorgt voor hogere prestaties en lagere verliezen dan handmatig ontworpen architecturen. Het omvat een proces waarbij een algoritme zoekt in een geaggregeerde ruimte van miljoenen beschikbare modelarcuitecturen, om een ​​architectuur op te leveren die bij uitstek geschikt is om dat specifieke probleem op te lossen. Simpel gezegd, het gebruikt AI om nieuwe AI te ontwerpen, gebaseerd op de specifieke behoeften van een bepaald project.

Het wordt door teams gebruikt om het ontwikkelingsproces te vereenvoudigen, iteraties van vallen en opstaan ​​te verminderen en ervoor te zorgen dat ze het ultieme model krijgen dat het beste aansluit bij de nauwkeurigheids- en prestatiedoelen van de applicaties.

Wat zijn enkele van de beperkingen van Neural Architecture Search?

De belangrijkste beperkingen van traditionele NAS zijn toegankelijkheid en schaalbaarheid. NAS wordt tegenwoordig meestal gebruikt in onderzoeksomgevingen en wordt meestal alleen uitgevoerd door technische giganten zoals Google en Facebook, of door academische instituten zoals Stanford, omdat traditionele NAS-technieken ingewikkeld zijn om uit te voeren en veel computerbronnen vereisen.

Daarom ben ik zo trots op onze prestaties bij het ontwikkelen van Deci’s baanbrekende AutoNAC-technologie (Automated Neural Architecture Construction), die NAS democratiseert en bedrijven van elke omvang in staat stelt om eenvoudig aangepaste modelarchitecturen te bouwen met een nauwkeurigheid die beter is dan de allernieuwste. snelheid voor hun toepassingen.

Hoe verschilt het detecteren van leerbezwaren op basis van het afbeeldingstype?

Verrassend genoeg heeft het domein van de afbeeldingen geen dramatische invloed op het trainingsproces van objectdetectiemodellen. Of u nu op zoek bent naar een voetganger op straat, een tumor in een medische scan of een verborgen wapen in een röntgenfoto gemaakt door de luchthavenbeveiliging, het proces is vrijwel hetzelfde. De gegevens die u gebruikt om uw model te trainen, moeten representatief zijn voor de taak die moet worden uitgevoerd, en de grootte en structuur van het model kunnen worden beïnvloed door de grootte, vorm en complexiteit van de objecten in uw afbeelding.

Hoe biedt Deci AI een end-to-end platform voor deep learning?

Het platform van Deci stelt ontwikkelaars in staat om nauwkeurige en snelle deep learning-modellen te bouwen, te trainen en te implementeren voor productie. Door dit te doen, kunnen teams gebruikmaken van de meest geavanceerde onderzoeks- en technische best practices met één regel code, de time-to-market van maanden tot een paar weken verkorten en succes in de productie garanderen.

Je begon in eerste instantie met een team van 6 mensen en bedient nu grote ondernemingen. Kunt u de groei van het bedrijf bespreken en enkele van de uitdagingen waarmee u te maken hebt gehad?

We zijn enthousiast over de groei die we hebben bereikt sinds de start in 2019. Nu, met meer dan 50 medewerkers en meer dan $ 55 miljoen aan financiering tot nu toe, zijn we ervan overtuigd dat we ontwikkelaars kunnen blijven helpen om het ware potentieel van AI te realiseren en ernaar te handelen. Sinds de lancering zijn we opgenomen in de AI 100 van CB Insights, hebben we baanbrekende prestaties geleverd, zoals onze serie modellen die baanbrekende deep learning-prestaties op CPU’s leveren, en hebben we betekenisvolle samenwerkingen versterkt, ook met grote namen als Intel.

Is er nog iets dat je wilt delen over Deci AI?

Zoals ik eerder al zei, blijft de AI-efficiëntiekloof grote obstakels vormen voor AI-productisering. “Shifting left” – rekening houdend met productiebeperkingen vroeg in de ontwikkelingslevenscyclus, vermindert de tijd en kosten die worden besteed aan het oplossen van potentiële obstakels bij het implementeren van deep learning-modellen in de productie langs de lijn. Ons platform heeft bewezen in staat te zijn om dat te doen door bedrijven te voorzien van de tools die nodig zijn om met succes wereldveranderende AI-oplossingen te ontwikkelen en in te zetten.

Ons doel is simpel: AI breed toegankelijk, betaalbaar en schaalbaar maken.

Bedankt voor het geweldige interview, lezers die meer willen weten, moeten Deci bezoeken.

Leave a Comment