Suivez nous sur

Interviews

Yonatan Geifman, PDG et co-fondateur de Deci - Série d'interviews

mm

Publié le

 on

Yonatan Geifman est le PDG et co-fondateur de Deci qui transforme les modèles d'IA en solutions de production sur n'importe quel matériel. Deci a été reconnu comme un innovateur technologique pour Edge AI par Gartner et inclus dans la liste AI 100 de CB Insights. Les performances de sa technologie propriétaire ont établi de nouveaux records à MLPerf avec Intel.

Qu'est-ce qui vous a initialement attiré vers l'apprentissage automatique ?

Dès mon plus jeune âge, j'ai toujours été fasciné par les technologies de pointe - non seulement en les utilisant, mais en comprenant vraiment comment elles fonctionnent.

Cette fascination de toute une vie a ouvert la voie à mes éventuelles études de doctorat en informatique où mes recherches se sont concentrées sur les réseaux de neurones profonds (DNN). Au fur et à mesure que j'ai compris cette technologie critique dans un cadre universitaire, j'ai commencé à vraiment comprendre comment l'IA peut avoir un impact positif sur le monde qui nous entoure. Des villes intelligentes qui peuvent mieux surveiller le trafic et réduire les accidents, aux véhicules autonomes qui nécessitent peu ou pas d'intervention humaine, aux dispositifs médicaux vitaux - il existe une infinité d'applications où l'IA pourrait améliorer la société. J'ai toujours su que je voulais participer à cette révolution.

Pourriez-vous partager l'histoire de la genèse derrière Deci AI?

Il n'est pas difficile de reconnaître - comme je l'ai fait lorsque j'étais à l'école pour mon doctorat - à quel point l'IA peut être bénéfique dans tous les cas d'utilisation. Pourtant, de nombreuses entreprises ont du mal à tirer parti du plein potentiel de l'IA alors que les développeurs sont continuellement confrontés à une bataille difficile pour développer des modèles d'apprentissage en profondeur prêts pour la production à déployer. En d'autres termes, il reste super difficile de produire de l'IA.

Ces défis peuvent en grande partie être attribués au manque d'efficacité de l'IA auquel l'industrie est confrontée. Les algorithmes deviennent de plus en plus puissants et nécessitent plus de puissance de calcul, mais en parallèle, ils doivent être déployés de manière rentable, souvent sur des appareils périphériques à ressources limitées.

Mes cofondateurs, le professeur Ran El-Yaniv, Jonathan Elial et moi-même avons cofondé Deci pour relever ce défi. Et nous l'avons fait de la seule manière que nous avons vue possible - en utilisant l'IA elle-même pour créer la prochaine génération d'apprentissage en profondeur. Nous avons adopté une approche algorithmique d'abord, travaillant à améliorer l'efficacité des algorithmes d'IA aux premières étapes, ce qui permettra aux développeurs de créer et de travailler avec des modèles qui offrent les plus hauts niveaux de précision et d'efficacité pour tout matériel d'inférence donné.

Le deep learning est au cœur de Deci AI, pourriez-vous nous le définir ?

L'apprentissage en profondeur, comme l'apprentissage automatique, est un sous-domaine de l'IA, destiné à habiliter une nouvelle ère d'applications. L'apprentissage en profondeur s'inspire fortement de la structure du cerveau humain, c'est pourquoi lorsque nous parlons d'apprentissage en profondeur, nous parlons de « réseaux de neurones ». Ceci est extrêmement pertinent pour les applications de périphérie (pensez aux caméras dans les villes intelligentes, aux capteurs sur les véhicules autonomes, aux solutions analytiques dans le domaine de la santé) où les modèles d'apprentissage en profondeur sur site sont cruciaux pour générer de telles informations en temps réel.

Qu'est-ce que la recherche d'architecture neuronale ?

Neural Architecture Search (NAS) est une discipline technologique visant à obtenir de meilleurs modèles d'apprentissage en profondeur.

Le travail de pionnier de Google sur le NAS en 2017 a contribué à faire entrer le sujet dans le courant dominant, du moins dans les cercles de recherche et universitaires.

Le but du NAS est de trouver la meilleure architecture de réseau de neurones pour un problème donné. Il automatise la conception des DNN, garantissant des performances supérieures et des pertes moindres que les architectures conçues manuellement. Il s'agit d'un processus par lequel un algorithme recherche parmi un espace agrégé de millions d'arcuitécures de modèles disponibles, pour produire une architecture uniquement adaptée pour résoudre ce problème particulier. Pour le dire simplement, il utilise l'IA pour concevoir une nouvelle IA, en fonction des besoins spécifiques d'un projet donné.

Il est utilisé par les équipes pour simplifier le processus de développement, réduire les itérations d'essais et d'erreurs et s'assurer qu'elles se retrouvent avec le modèle ultime qui peut mieux servir les objectifs de précision et de performance des applications.

Quelles sont certaines des limites de Neural Architecture Search ?

Les principales limites des NAS traditionnels sont l'accessibilité et l'évolutivité. Aujourd'hui, le NAS est principalement utilisé dans des environnements de recherche et n'est généralement utilisé que par des géants de la technologie comme Google et Facebook, ou dans des instituts universitaires comme Stanford, car les techniques NAS traditionnelles sont compliquées à mettre en œuvre et nécessitent beaucoup de ressources informatiques.

C'est pourquoi je suis si fier de nos réalisations dans le développement de la technologie révolutionnaire AutoNAC (Automated Neural Architecture Construction) de Deci, qui démocratise le NAS et permet aux entreprises de toutes tailles de créer facilement des architectures de modèles personnalisées avec une précision supérieure à l'état de l'art et rapidité pour leurs applications.

En quoi l'apprentissage de la détection des objections est-il différent selon le type d'image ?

Étonnamment, le domaine des images n'affecte pas considérablement le processus de formation des modèles de détection d'objets. Que vous recherchiez un piéton dans la rue, une tumeur dans un scanner médical ou une arme dissimulée dans une radiographie prise par la sécurité de l'aéroport, le processus est à peu près le même. Les données que vous utilisez pour former votre modèle doivent être représentatives de la tâche à accomplir, et la taille et la structure du modèle peuvent être affectées par la taille, la forme et la complexité des objets de votre image.

Comment Deci AI offre-t-elle une plateforme de bout en bout pour le deep learning ?

La plate-forme de Deci permet aux développeurs de créer, de former et de déployer des modèles d'apprentissage en profondeur précis et rapides en production. Ce faisant, les équipes peuvent tirer parti des meilleures pratiques de recherche et d'ingénierie les plus avancées avec une seule ligne de code, raccourcir le délai de mise sur le marché de plusieurs mois à quelques semaines et garantir le succès de la production.

Vous avez commencé avec une équipe de 6 personnes, et vous êtes aujourd'hui au service de grandes entreprises. Pourriez-vous nous parler de la croissance de l'entreprise et de certains des défis auxquels vous avez été confrontés ?

Nous sommes ravis de la croissance que nous avons réalisée depuis le début de 2019. Maintenant, avec plus de 50 employés et plus de 55 millions de dollars de financement à ce jour, nous sommes convaincus que nous pouvons continuer à aider les développeurs à réaliser et à exploiter le véritable potentiel de l'IA. Depuis le lancement, nous avons été inclus sur IA 100 de CB Insights, a réalisé des réalisations révolutionnaires, telles que notre famille de modèles qui offrent une percée performances d'apprentissage en profondeur sur les processeurs, et solidifié des collaborations significatives, y compris avec de grands noms comme Intel.

Y a-t-il autre chose que vous aimeriez partager à propos de Deci AI ?

Comme je l'ai déjà mentionné, l'écart d'efficacité de l'IA continue de poser des obstacles majeurs à la productisation de l'IA. « Décalage vers la gauche » - la prise en compte des contraintes de production au début du cycle de développement, réduit le temps et les coûts consacrés à la résolution des obstacles potentiels lors du déploiement de modèles d'apprentissage en profondeur en production sur toute la ligne. Notre plateforme s'est avérée capable de faire exactement cela en fournissant aux entreprises les outils nécessaires pour développer et déployer avec succès des solutions d'IA qui changent le monde.

Notre objectif est simple : rendre l'IA largement accessible, abordable et évolutive.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Deci

Partenaire fondateur d'unite.AI et membre du Conseil technologique de Forbes, Antoine est un futuriste qui est passionné par l'avenir de l'IA et de la robotique.

Il est également le fondateur de Titres.io, un site Web axé sur l'investissement dans les technologies de rupture.