استارتاپ هوش مصنوعی Neurala ، معرفی و روند شکل گیری شرکت

تاکنون بسیاری از استارتاپ ­ها از فناوری یادگیری ماشین در کار خود بهره برده ­اند اما تعداد کمی از آن­ها برای پیشرفت این تکنولوژی تلاش کرده‌اند. چنین راهبردی نه­ تنها نیازمند این است که بنیان­گذاران، از دانش فنی عمیقی برخوردار باشند، بلکه بایستی بتوانند ذهنیت تجاری خود را هنگام دستیابی به اهداف تحقیقاتی نیز حفظ کنند.

رسیدن به این تعادل می­تواند کاری دشوار باشد، خصوصا برای بنیان­گذارانی که وابسته به تحقیقات آزمایشگاهی هستند. اما افرادی که موفق به انجام این کار می­شوند، می­توانند از مزیت های متمایز آن، با عرضه محصولاتی که از فناوری­های نوین و اختصاصی بهره می­برند، استفاده کنند.

بنیان­گذاران استارتاپ هوش مصنوعی Neurala درصدد هستند تا به این استاندارد دست یابند. اگرچه آن­ها تحقیق و توسعه را به عنوان یک وجه تمایز اصلی برای پیشروی شرکت می­دانند، اما قبلاً اثبات کرده ­اند که یک کاربرد تجاری برای ایده ­هایشان وجود دارد.

سیستم یادگیری عمیق شرکت، یعنی هوش Neurala ، در حال حاضر در پهباد‌ها، اسباب‌­بازی‌ها، دوربین‌ها و… برای هوشمند­سازی ابزار پیرامون ما به­ کار گرفته می­شود.

درواقع چیزی که باعث تمایز این سیستم می­شود یک تکنیک منحصر به­فرد است که به آن اجازه می­دهد تا پس از آموزش اولیه، چیز­های جدیدی یاد بگیرد و توانایی این سیستم در اجرا با پردازنده‌هایی با هزینه کم و بدون نیاز به فضای ابری یا دسترسی به اینترنت، آن را در موقعیت بسیار خوبی برای فراگیر کردن هوش مصنوعی قرار می­دهد.

در حال حاضر تیم بنیان­گذار با گذشت تقریبا یک سال پس از دریافت دور اول بودجه ۱۴ میلیون دلاری، سرنوشت Neurala  را رقم خواهد زد.

روند شکل­ گیری Neurala

بنیان­گذاران این شرکت، هدر ایمز، ماسیمیلیانو “مکس” ورساچی و آناتولی گورشنیکوف، در اوایل دهه ۲۰۰۰ در دانشگاه بوستون در حال گذراندن دکترای خود در سیستم­های شناختی و عصبی با هم آشنا شدند.

این سه بنیان­گذار در آن زمان فضای سروری را برای اجرای مدل­های مغزی با یکدیگر به اشتراک می­گذاشتند. با تغییر حتی یک پارامتر کوچک، آن­ها میبایست بحث مدل‌گذاری و سایر مسائل را از نو شروع می­کردند.

روزی در کافی شاپ، ورساچی به گورشنیکوف گفت: روزی خواهیم توانست این مدل ها را روی تلفن­های همراه اجرا کنیم. گورشچنیکوف به یکباره قهوه خود را از روی تعجب به بیرون ریخت.

به مرور مکالمه هایی از این دست درباره اجرای مدل­های خود بر روی انواع مختلف سخت­افزار آغاز شد و به این نتیجه رسیدند که واحدهای پردازش گرافیکی (GPU) و دیگر انواع سخت­افزارهای سفارشی، راهی بسیار کارآمد و مؤثرتر برای اجرای شبکه­ های عصبی مصنوعی خواهند بود.

آن­ها  در سال ۲۰۰۶ Neurala  را بنیان نهادند و پردازش شبکه­ های عصبی مصنوعی در GPU را ثبت اختراع کردند.

آن­ها با ادامه تحقیقات در چندین پروژه جاه‌طلبانه دولتی که شرکت­ کنندگان را مجبور به کنار زدن محدودیت‌ها درسیستم­های هوش مصنوعی و تجدید نظر در روش­های محاسباتی سنتی می­کردند نیز شرکت کردند.

هنگامی که مقامات ناسا در سال ۲۰۱۰ با این بنیان­گذاران آشنا شدند، می خواستند از هوش مصنوعی در رباتی بنام مریخ­نورد استفاده کنند تا با کمک آن ربات بتوانند سیاره سرخ را به­ طور مستقل مورد کاوش قرار دهند.

هدف غایی ناسا این بود که چگونه سیستم­های مستقل می­توانند برای  جستجو و کاوش در مناطقی که در آن GPS  کار نمی­کند به­ کار گرفته شوند. برای انجام این کار، سیستم باید بتواند هنگامی که چیز جالبی را مشاهده می­کند، اطلاعات بیشتری را جمع آوری کند؛ اما از آنجا که راجع‌به مریخ و مکانی با دسترسی محدود صحبت می­کنیم، لاجرم می­بایست این تصمیمات به ­صورت مستقل گرفته شود. هر یک از این پروژه ها به بنیان­گذاران کمک کردند تا سیستم یادگیری عمیق خود را به عملی شدن در محیط های تجاری نزدیک کنند. سرانجام در سال ۲۰۱۳،  Neuralaبه برنامه Techstars پیوست تا با کمک آن سیستم هوش مصنوعی خود را از مریخ به زمین بیاورد. چهار سال بعد Neurala تبدیل به شرکتی شد که هوش مصنوعی را به وسایل متنوع مانند روبات­ها، اتومبیل­ها، هواپیماهای بدون سرنشین و اسباب بازی­های کودکان آورد.

روش Neurala 

Neurala Brain یک سیستم کارآمد می­باشد که می­تواند به­ صورت محلی بر رو‌ی انواع پردازنده­ها، از NVIDIA، ARM و Intel  گرفته تا کامپیوتر­های ارزانتر و تک ­بردی اجرا شود.

پس از آموزش کیت توسعه نرم‌افزاری Neurala  یعنی “مغز رباتی” و نشان دادن چند نمونه به آن، سیستم به هر دستگاهی که متصل به دوربین باشد، این قابلیت را می­دهد تا اشیا را از روی تصاویر شناسایی و ردیابی کند. این بدان معناست که برای مثال پهباد­ها می­توانند وسط پرواز صاحبانشان را شناسایی کرده و آنان را دنبال کنند، دوربین های مدار بسته می­توانند اسلحه را در صورت ظاهر شدن در تصاویر ویدیویی  پیدا کنند و اتومبیل‌ها می­توانند با شناختن دوچرخه ­سواران و عابران پیاده درک بهتری از محیط اطراف خود نسبت به زمانی که فقط اشیا را شناسایی می­کردند به­ دست آورند.

مشتریانی که کیت توسعه نرم‌افزاری Neurala را خریداری می­کنند، بدون دانش قبلی در مورد ساخت  سیستم های یادگیری، می­توانند نسبت به آموزش آن اقدام کنند. این کمپانی همچنین برای آموزش سیستم با جمع آوری مجموعه‌ای از داده ­های دسته بندی شده و شخصی­ سازی سیستم تحت برنامه “Brain Builder” خود یا با اسکن مستقیم داده­ های آنان، با مشتریان خود همکاری می­کند.

توانایی Neurala Brain در اجرا به­صورت Local یا محلی بدان معناست که این ماشین­ها نیازی به اتصال به اینترنت ندارند. این ویژگی هنگامی که شما دوربین را در اسباب­ بازی کودکان قرار می­دهید از اهمیت ویژه­ ای برخوردار می­شود.

توانایی یادگیری سریع چیزهای جدید نیز بسیار مهم است، همان­طور که گورشنیکوف به ­تازگی در جمعی از دانشمندان هوش مصنوعی اذعان کرد: آیا تا به ­حال کسی کودکی را دیده که بیش از پنج دقیقه به یک اسباب­ بازی زل بزند؟

یک‌ مشکل اساسی در یادگیری عمیق، این بوده که سیستم پس از آموزش ­دیدن، پروسه یادگیری چیزهای جدید غیرمرتبط را متوقف می­کند. هرگونه تعلیم به سیستم پس از آموزش اولیه به آن، مستلزم آن بوده که کاربران سیستم را مجددا راه‌اندازی نمایند؛ محققان این مشکل را فراموشی فاجعه­ بار می­خوانند. Neurala روشی را برای غلبه بر این مشکل در سه ماهه سوم سال ۲۰۱۷ اتخاذ کرد. این روش که هنوز در صف ثبت اختراع قرار دارد از روشی که کمپانی، آن را (Lifelong-DNNs) یعنی شبکه عصبی عمیق مادام‌العمر می­خواند بهره می­برد که به کاربران این امکان را می­دهد تا اشیاء را فقط با استفاده از تلفن­ های همراه خود و بدون آموزش مجدد کل شبکه، در عرض چند ثانیه به پایگاه دانش سیستم (پایگاه داده‌ای که سیستم از آن بهره می­برد) اضافه کنند.

ورساچی که به عنوان مدیرعامل Neurala فعالیت می­کند، در بیانیه مطبوعاتی با اعلام این موفقیت اذعان کرد: روش شبکه عصبی عمیق مادام‌العمر، شرکت­های خودروسازی و لوازم الکترونیکی را قادر خواهد ساخت تا روش یادگیری عمیق را برای مشتریانشان قابل استفاده کنند.  توانایی یادگیری در آن‌ واحد بدان معنی است که رویکرد Neurala یادگیری مستقیم بر روی دستگاه را ممکن می­سازد، و از همه مهم­تر این که امکان توسعه نرم‌افزارها را بدون نیاز به فضای ابری و به­ صورت آفلاین به­وجود می­آورد.

بنیانگذاران Lifelong-DNNs در مورد تکنولوژیِ پشت آن سکوت کرده‌اند، اما مهم­ترین فاکتور آن، این است که سیستم از متدِ پس‌انتشار، یک روش محبوب برای آموزش شبکه­ های عصبی مصنوعی که از مکانیزم­های یادگیری سیستم­های بیولوژیکی متفاوت است استفاده نمی­کند. درعوض گورشنیکوف با اشاره به نظریه علوم عصبی هِب (دونالد او. هِب) که توصیف می کند مغز بیولوژیکی چگونه چیزها را یاد می گیرد، گفته است که این سیستم تا حدودی از روش “یادگیری شبه هِب”  استفاده می­کند.

این شرکت اکنون جنبه­های مختلفی از پردازش غشایی و زیرغشایی مغز را در نرم ­افزار شبیه‌سازی می­کند. جزئیات کامل این فناوری در حال ثبت اختراع است و اکنون نمی­توان در مورد آن بحث کرد، اما مدیران شرکت بر این باورند که به اندازه ثبت اختراع اصلی خود با محوریت استفاده از GPU برای هوش مصنوعی قدرتمند خواهد بود.

مسیر پیش روی Neurala

مردم اغلب می­گویند سیستم­های یادگیری عمیق، ساختار مغز بیولوژیکی را با لایه­ هایی از نورون­های مصنوعی متصل، تقلید می­کنند. اما حقیقت امر این است که هیچ سیستمی به پای تعاملات پیچیده بین میلیاردها نورون موجود در مغز انسان نمی­رسد.

با این حال، به نظر می­رسد بنیان­گذاران Neurala با در نظر گرفتن طرح­های مدل­های مغزی، قدمی جدید در توسعه شبیه ­سازی بیولوژیکی برداشته‌اند.

اِیمز میگوید: پیش زمینه‌های علوم عصبی ما به هدایت مسیر تفکرمان کمک شایانی کرده است. وقتی با مشکلی مواجه میشویم با خودمان میگوییم، خوب، انسان‌ها یا موش‌ها چگونه این کار را انجام میدهند؟ ما دائماً اینگونه سؤالات را بخصوص در گروه تحقیق و توسعه خود می پرسیم. بجای گشتن دنبال راه حلی ساده، آنان دائما میپرسند که کدام روش به راهکار بیولوژیکی نزدیک تر است؟ و اینکه چگونه میتوانیم که بدنبال بهترین راهکار برای مشتریانمان باشیم؟

با شنیدن صحبتهای بنیانگذاران در مورد استراتژی تحقیقاتی Neurala در میابیم که آنها روزهای تحصیل خود را در دانشگاه، جایی که هرگونه مسائل جالب توجه را مورد مطالعه قرار میدادند، پشت سر گذاشته و به سمت بنیان شرکتی موفق خیز برداشته اند.

اِیمز می­گوید: بسیاری از شرکت­های همتای ما که از دپارتمان­های تحقیقاتی، کار خود را آغاز می­کنند، چشم‌اندازی برای تولید و به ­کارگیری این فناوری ندارند. خواسته ما فقط این نیست که تعدادی دانشجوی دکتری با ایده‌های بزرگ داشته باشیم. بنیان­گذاران ما دائماً از منظر بیولوژیکی به چیزها می نگرند، اما استراتژی ما اولویت بندی تحقیقاتی است که به نیاز­های مشتری نزدیک‌تر هستند.

Neurala مشتریان بزرگی همچون Motorola و Parrot Drones را به­ عنوان شرکای خود در نظر گرفته و شرکت‌های ساخت پهباد در واقع از اصلی­ترین مشتری‌های ثابت آن­ها محسوب می­شوند.

البته، با وجود توانایی Neurala Brain در اجرا بر روی بسیاری از سخت­افزارهای مختلف، این شرکت همچنین در تلاش است تا هوش مصنوعی خود را به خط تولید اسباب­بازی های الکترونیکی در سراسر دنیا بیاورد.

امروزه طبیعت پیشرفت­ های هوش مصنوعی بدین صورت می­باشد. تکنولوژی که دیروز در ربات‌های مریخ‌نورد مورد استفاده قرار می­گرفت، فردا قرار است سر از باربی‌ها و اِلمو‌ها(نوعی عروسک شبیه جناب‌خان!) درآورد.