دسی 21 میلیون دلار برای فناوری صرف می کند تا مدل های هوش مصنوعی بهتری را بر اساس داده های موجود و قدرت محاسبه ایجاد کند – TechCrunch
ساختن مدل های قابل استفاده برای اجرای الگوریتم های هوش مصنوعی نه تنها به داده های کافی برای آموزش سیستم ها بلکه به سخت افزار مناسب برای اجرای آنها نیاز دارد. اما از آنجا که نظری و عملی غالباً یکسان نیستند ، اغلب بین آنچه دانشمندان ممکن است امیدوار باشند و عملاً انجام می دهند فاصله وجود دارد. امروز استارتاپی به نام دسی که یک پلت فرم یادگیری عمیق برای کمک به برطرف کردن این شکاف ایجاد کرده است-با ایجاد مدل هایی که می توانند با داده ها و سخت افزارهای موجود برای استفاده کار کنند-پس از یافتن کشش قوی برای محصولات خود با شرکت های فن آوری Fortune 500 که بازار انبوه را اداره می کنند ، برخی از بودجه را اعلام می کند. ، محصولات مبتنی بر هوش مصنوعی مبتنی بر ویدئو و سایر خدمات مبتنی بر بینایی رایانه.
این استارتاپ مستقر در تل آویو سری A 21 میلیون دلاری را دریافت کرده است ، پولی که از آن برای ادامه توسعه محصولات و مشتریان خود استفاده خواهد کرد. Insight Partners با پشتیبانان قبلی Square Peg ، Emerge و Jibe Ventures ، در کنار برخی از حامیان جدید: Samsung Next ، Vintage Investment Partners و Fort Ross Ventures ، پیشرو است. Square Peg and Emerge یک سال پیش رقم 9.1 میلیون دلاری دسی را به دست آورد. همچنین با دیگران که سرمایه گذار استراتژیک یا مالی نیستند (اما ممکن است در خط مقدم باشند؟) بسیار نزدیک کار می کند. اینتل در آن همکاری کرد MLPerf، جایی که فناوری دسی در هنگام اجرا بر روی CPU های اینتل سرعت استنتاج شبکه عصبی ResNet-50 را افزایش می دهد.
تا کنون ، دسی توجه خود را به مدل های محصولات مبتنی بر بینایی رایانه ای معطوف کرده است ، جایی که پلت فرم آن-که بر اساس فناوری اختصاصی خود AutoNAC (ساخت معماری عصبی خودکار) ساخته شده است-قادر است مدلهایی را به سرعت برای خدمات بسازد و به طور مداوم به روز کند. تدوین آن ممکن است زمان بیشتری طول بکشد و آزمایش و خطای زیادی انجام دهد.
به عنوان مثال ، یکی از مشتریان اصلی یکی از بزرگترین و شناخته شده ترین پلتفرم های ویدئو کنفرانس در جهان است (متأسفانه نامش فاش نشده است) که از Deci برای ایجاد مدل سازی هوش مصنوعی استفاده می کند تا کاربران بتوانند سوابق خود را در تماس های ویدئویی تار کنند. در اینجا ، همه محاسبات مورد نیاز برای اجرای این محو شدن در “لبه” ، در دستگاه های مبتنی بر CPU خود کاربران (یعنی معمولاً برای بارهای AI بهینه نشده است) اتفاق می افتد.
یوناتان گایفمن ، مدیرعامل که Deci را با ران ال-یانیف و جاناتان الیال (سه نفر از متخصصان هوش مصنوعی) بنیان گذاری کرد ، گفت که اکنون برنامه توسعه برنامه های بینایی رایانه ای به چالشی دیگر و ایجاد NLP (زبان طبیعی) بهتر است. مدلهایی که ممکن است برای اجرای هر نوع خدماتی با رابط صوتی ، از دستیارهای شخصی در تلفنها یا بلندگوهای هوشمند گرفته تا جستجوی صوتی یا هر نوع رابط خدمات مشتری ، به عنوان مثال نیاز داشته باشید.
اگرچه دسی با کمک به شرکت ها در حل چالش اجرای خدمات هوش مصنوعی در چشم انداز دستگاه هایی که لزوماً برای هوش مصنوعی بهینه نشده اند ، فعالیت های زیادی را آغاز کرده است ، اما از سوی سازمان ها نیز مورد توجه بسیاری قرار گرفته است تا از دسی برای ایجاد مدل های بهتر استفاده کنند. محاسبات داخلی خود را ، حتی زمانی که از لحاظ نظری GPU دارند و برای انجام هر کاری قدرت محاسبه را در اختیار دارند. این به توازن قدرت جالبی می رسد که از دیرباز در فناوری اطلاعات سازمانی وجود داشته است و امروزه در هوش مصنوعی بسیار مشهود است ، جایی که شرکت ها سعی می کنند با دارایی های خود بیشتر کار کنند ، در حالی که به طور مرتب تحت فشار قرار می گیرند سرمایه گذاری بیشتر در تجهیزات جدیدتر و گران تر و قدرتمندتر.
گایفمن در مصاحبه ای با اشاره به این موضوع گفت: “دائماً در حال رقابت برای مدل های بزرگتر هستیم.” مدل زبان جدید در ابتدای این ماه توسط انویدیا و مایکروسافت به عنوان نمونه ای از این تحول اعلام شد. “بنابراین سخت افزار فقط کافی نیست. به یک معنا ، شاید آن مسابقه و انگیزه برای سرمایه گذاری در سخت افزار جدید توسط سازندگان سخت افزار تحت فشار قرار می گیرد ، اما مدل های هستند بزرگتر شدن بین الگوریتم و تامین سخت افزار فاصله وجود دارد. بنابراین ، ما باید بر اساس سخت افزاری که داریم همگرایی داشته باشیم. دسی در حال پر کردن یا حتی بستن این فاصله است. “
با توجه به اینکه داده های آموزشی کافی یکی دیگر از مشکلات دائمی در هوش مصنوعی است ، دسی همچنین در حال تلاش برای تقویت بخش داده های معادله است. گایفمن گفت که دسی اساساً مجموعه داده های مصنوعی را برای تکمیل داده ها در مواقعی که به مدل های بیشتری نیاز است ، می سازد. در همه موارد ، محصول در محیط توسعه دهندگان سازمان کار می کند ، داده ها در همان جایی که هستند باقی می مانند و در فرایند ساخت مدل ها به Deci یا هر جای دیگر نمی روند.
در کنار آن دسی همچنین از AutoNAC برای ساخت محصولات بیشتر استفاده می کند. جدیدترین آنها DeciNets است که دسی آن را “خانواده مدلهای بینایی رایانه ای” توصیف می کند که اساساً برخی از کارهای ساخت مدلها را از ابتدا رد کرده و بنابراین از قدرت محاسباتی کمتری برای اجرا استفاده می کند.
Lonne Jaffe ، مدیر عامل Insight Partners ، در بیانیه ای گفت: “Deci در پیشبرد هوش مصنوعی و سرعت بخشیدن به یادگیری عمیق ، با فناوری بسیار متمایز است که به مشتریان امکان می دهد مدل های یادگیری عمیق سریع را برای استنتاج تنظیم شده در هر پلتفرم سخت افزاری بهینه کنند.” “ما خوشحالیم که بخشی از سفر Deci ScaleUp هستیم و منتظر حمایت سریع از رشد شرکت هستیم.” جاف با این دور به هیئت مدیره می پیوندد.