Las regulaciones de privacidad de datos como GDPR, CCPA e HIPAA presentan un desafío para capacitar a los sistemas de inteligencia artificial en datos confidenciales, como transacciones financieras, registros de salud de pacientes y registros de dispositivos de usuarios. Los datos históricos son los que “enseñan” a los sistemas de IA a identificar patrones y hacer predicciones, pero existen obstáculos técnicos para usarlos sin comprometer la identidad de una persona.
Una solución alternativa que ganó popularidad en los últimos años es el aprendizaje federado. La técnica entrena un sistema a través de múltiples dispositivos o servidores que contienen datos sin siquiera intercambiarlos, lo que permite a los colaboradores construir un sistema común sin compartir datos. Intel recientemente asociado con Penn Medicine para desarrollar un sistema de clasificación de tumores cerebrales utilizando el aprendizaje federado, mientras que un grupo de importantes compañías farmacéuticas, incluidas Novartis y Merck, construido una plataforma de aprendizaje federada para acelerar el descubrimiento de fármacos.
Los gigantes tecnológicos, incluido Nvidia (a través de Clara), ofrecen aprendizaje federado como servicio. Pero una nueva puesta en marcha, DinamoFLespera enfrentarse a los titulares con una plataforma de aprendizaje federada que se centre en el rendimiento, aparentemente sin sacrificar la privacidad.
“DynamoFL fue fundado por dos doctores del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, Christian Lau y yo, que dedicamos los últimos cinco años a trabajar en el aprendizaje automático y el hardware para preservar la privacidad”, dijo el CEO Vaikkunth Mugunthan a TechCrunch en una entrevista por correo electrónico. . “Descubrimos un enorme mercado para el aprendizaje federado después de que recibimos repetidas ofertas de trabajo de empresas líderes en tecnología y finanzas que estaban tratando de desarrollar el aprendizaje federado internamente a la luz de las regulaciones de privacidad emergentes como GDPR y CCPA. Durante este proceso, quedó claro que estas organizaciones estaban luchando para hacer frente al aprendizaje federado internamente y creamos DynamoFL para abordar esta brecha en el mercado”.
DynamoFL, que afirma tener clientes clave en los sectores automotriz, Internet de las cosas y finanzas, se encuentra en las primeras etapas de su estrategia de comercialización. (Actualmente, la startup tiene cuatro empleados, con planes de contratar a 10 para fin de año). Pero DynamoFL se ha centrado en refinar técnicas novedosas de IA para sobresalir frente a la competencia, ofreciendo capacidades que supuestamente mejoran el rendimiento del sistema mientras combaten ataques y vulnerabilidades en aprendizaje federado, como ataques de “inferencia de miembros” que hacen posible detectar los datos utilizados para entrenar un sistema.
Créditos de imagen: DinamoFL
“Nuestra tecnología de aprendizaje federado personalizado… permite[s] equipos de aprendizaje automático para ajustar sus modelos y mejorar el rendimiento en cohortes individuales. Esto brinda a los ejecutivos de C-suite una mayor confianza al implementar modelos de aprendizaje automático que anteriormente se consideraban soluciones de caja negra”, dijo Mugunthan. “Este [also] nos diferencia de competidores como Devron, Rhino Health, Owkin, NimbleEdge y FedML que luchan con los desafíos comunes del aprendizaje federado tradicional”.
DynamoFL también anuncia su plataforma como rentable en comparación con otras soluciones puntuales de IA que preservan la privacidad. Dado que el aprendizaje federado no requiere la recopilación masiva de datos en un servidor central, DynamoFL puede reducir los costos de computación y transferencia de datos, afirma Mugunthan; por ejemplo, permite que un cliente envíe solo archivos pequeños e incrementales en lugar de petabytes de datos sin procesar. Como beneficio adicional, esto puede reducir el riesgo de fugas de datos al eliminar la necesidad de almacenar grandes volúmenes de datos en un solo servidor.
“Las tecnologías comunes de mejora de la privacidad, como la privacidad diferencial y el aprendizaje federado, han sufrido una compensación perenne de ‘privacidad versus rendimiento’, donde el uso de técnicas más sólidas de preservación de la privacidad durante el entrenamiento del modelo inevitablemente da como resultado una menor precisión del modelo. Este desafío crítico de cuello de botella ha impedido que muchos equipos de aprendizaje automático adopten tecnologías de aprendizaje automático que preservan la privacidad que son necesarias para salvaguardar la privacidad del usuario y cumplir con los marcos regulatorios”, dijo Mugunthan. “La solución de aprendizaje federado personalizado de DynamoFL aborda un obstáculo fundamental para la adopción del aprendizaje automático”.
Recientemente, DynamoFL cerró una pequeña ronda semilla ($4,15 millones a una valoración de $35 millones) que contó con la participación de Y Combinator, Global Founders Capital y Basis Set; la puesta en marcha es parte del lote de invierno de 2022 de Y Combinator. Mugunthan dice que las ganancias se destinarán principalmente a la contratación de gerentes de productos que puedan integrar las tecnologías de DynamoFL en futuros productos fáciles de usar.
“La pandemia ha resaltado la importancia de aprovechar rápidamente diversos datos para las crisis emergentes en el cuidado de la salud. En particular, la pandemia subrayó cómo los datos médicos críticos deben ser más accesibles en tiempos de crisis, al mismo tiempo que se protege la privacidad del paciente”, continuó Mugunthan. “Estamos bien posicionados para capear la desaceleración de la tecnología. Actualmente tenemos tres o cuatro años de experiencia, y la desaceleración tecnológica en realidad ha ayudado a nuestros esfuerzos de contratación. Las empresas de tecnología más grandes estaban contratando a la mayoría de los principales científicos de aprendizaje federado, por lo que la desaceleración en la contratación en la gran tecnología nos ha presentado una oportunidad para contratar a los mejores talentos de aprendizaje federado y aprendizaje automático”.
Source link