DynamoFL стремится внедрить ИИ, сохраняющий конфиденциальность, в большее количество отраслей

Правила конфиденциальности данных, такие как GDPR, CCPA и HIPAA, создают проблемы для обучения систем ИИ работе с конфиденциальными данными, такими как финансовые транзакции., медицинские записи пациентов и журналы пользовательских устройств. Исторические данные — это то, что «учит» системы ИИ выявлять закономерности и делать прогнозы, но существуют технические препятствия для их использования без ущерба для личности человека.

Одним из способов обхода, получившим распространение в последние годы, является федеративное обучение. Техника обучает систему на нескольких устройствах или серверах, содержащих данные, без обмена ими, позволяя сотрудникам создавать общую систему без обмена данными. Intel недавно заключила партнерское соглашение с Penn Medicine для разработки системы классификации опухолей головного мозга с использованием федеративного обучения, а группа крупных фармацевтических компаний, включая Novartis и Merck, создала платформу федеративного обучения для ускорения поиска лекарств.

Технологические гиганты, в том числе Nvidia (через Clara), предлагают федеративное обучение как услугу. Но новый стартап, DynamoFL, надеется конкурировать с действующими игроками с помощью платформы федеративного обучения, ориентированной на производительность, якобы без ущерба для конфиденциальности.

DynamoFL была основана двумя докторами наук факультета электротехники и компьютерных наук Массачусетского технологического института, Кристианом Лау и мной. который провел последние пять лет, работая над машинным обучением с сохранением конфиденциальности и аппаратным обеспечением для машинного обучения», — сказал генеральный директор Вайккунт Мугунтан в интервью TechCrunch по электронной почте. “Мы обнаружили огромный рынок для федеративного обучения после того, как мы получили неоднократные предложения о работе от ведущих финансовых и технологических компаний, которые пытались создать федеративное обучение внутри компании в свете новых правил конфиденциальности, таких как GDPR и CCPA. В ходе этого процесса стало ясно, что эти организации изо всех сил пытаются поддерживать федеративное обучение внутри компании, и мы создали DynamoFL, чтобы восполнить этот пробел на рынке».

DynamoFL – утверждает, что ключевые клиенты в автомобильной промышленности, Интернете вещей и финансовом секторе — компания находится на ранних этапах своей стратегии выхода на рынок. (Сейчас в стартапе четыре сотрудника, и к концу года планируется нанять 10.) Но DynamoFL сосредоточилась на совершенствовании новых методов искусственного интеллекта, чтобы выделиться на фоне конкурентов, предлагая возможности, которые предположительно повышают производительность системы, в то же время борьба атаки и уязвимости в федеративном обучении — такие как атаки «вывод членов», которые позволяют обнаруживать данные, используемые для обучения системы.

Кредиты изображений: ДинамоФЛ

«Наша персонализированная технология федеративного обучения … позволяет[s] команды машинного обучения для точной настройки своих моделей для повышения производительности отдельных когорт. Это дает руководителям высшего звена больше уверенности при развертывании моделей машинного обучения, которые ранее считались решениями черного ящика». — сказал Мугунтан. “Этот [also] отличает нас от конкурентов, таких как Devron, Rhino Health, Owkin, NimbleEdge и FedML, которые борются с общими проблемами традиционного федеративного обучения».

DynamoFL также рекламирует свою платформу как экономически эффективную по сравнению с другими точечными решениями AI, сохраняющими конфиденциальность. Св.Поскольку федеративное обучение не требует массового сбора данных на центральном сервере, DynamoFL может сократить затраты на передачу данных и вычисления, утверждает Мугунтан, например, позволяя клиенту отправлять только небольшие добавочные файлы, а не петабайты необработанных данных. В качестве дополнительного преимущества это может снизить риск утечки данных за счет устранения необходимости хранить большие объемы данных на одном сервере.

Общие технологии повышения конфиденциальности, такие как дифференциальная конфиденциальность и федеративное обучение, пострадали от постоянного компромисса между «конфиденциальностью и производительностью», когда использование более надежных методов сохранения конфиденциальности во время обучения модели неизбежно приводит к снижению точности модели. Эта критическая проблема с узким местом помешала многим группам машинного обучения внедрить технологии машинного обучения, сохраняющие конфиденциальность, которые необходимы для защиты конфиденциальности пользователей при соблюдении нормативных требований», — сказал Мугунтан. «Персонализированное решение для федеративного обучения DynamoFL преодолевает критический барьер на пути внедрения машинного обучения».

Недавно DynamoFL завершила небольшой посевной раунд (4,15 миллиона долларов при оценке в 35 миллионов долларов), в котором приняли участие Y Combinator, Global Founders Capital и Basis Set; стартап является частью пакета Y Combinator Winter 2022. Мугунтан говорит, что вырученные средства будут в основном направлены на найм менеджеров по продуктам, которые смогут интегрировать технологии DynamoFL в будущие, удобные для пользователя продукты.

«Пандемия подчеркнула важность быстрого использования разнообразных данных для преодоления возникающих кризисов в здравоохранении. В частности, пандемия показала, как критически важные медицинские данные необходимо сделать более доступными во время кризиса, сохраняя при этом конфиденциальность пациентов», — продолжил Мугунтан. “У нас хорошие позиции, чтобы пережить замедление развития технологий. В настоящее время у нас есть три-четыре года взлетно-посадочной полосы, и тЭто замедление фактически помогло нашим усилиям по найму. Крупнейшие технологические компании нанимали большинство ведущих ученых в области федеративного обучения, поэтому замедление найма в крупных технологиях предоставило нам возможность нанять лучших специалистов в области федеративного обучения и машинного обучения».

Leave a Comment

Your email address will not be published.

Shopping Cart