Yapay zekayı güvence altına almak için birleştirilmiş öğrenme anahtarı


Intelligent Security Summit’teki tüm isteğe bağlı oturumlara göz atın burada.


İspanya’nın Aia kentindeki Altxerri mağarası, yaklaşık 39.000 yaşında olduğu tahmin edilen mağara resimleri içermektedir. Var olan en eski bilinenlerden bazıları, bunlar çizimler bizon, ren geyiği, yaban öküzü, antilop ve diğer hayvan ve figürleri tasvir eder.

Xabi Uribe-Etxebarria’nın “veri depolamanın” ilk biçimlerinden biri olarak adlandırdığı şey budur.

Ancak, mağara çizimlerinden belli ki çok yol kat ettik. Veri toplama, bin yılda hızlandı; sadece son on yılda, toplanması ve saklanması daha önce hiç görülmemiş bir hızda büyüdü – saldırılarda olduğu gibi.

Uribe-Etxebarria, “Gizliliğimiz risk altında” dedi. “Öyleyse harekete geçmeliyiz.”

Etkinlik

İsteğe Bağlı Akıllı Güvenlik Zirvesi

Yapay zeka ve makine öğreniminin siber güvenlikteki kritik rolünü ve sektöre özel vaka incelemelerini öğrenin. İsteğe bağlı oturumları bugün izleyin.

Buraya bak

Uribe-Etxebarria’nın şirketi, Şerpa.

Şirket bugün “gizliliği koruyan” yapay zeka (AI) model eğitim platformunun lansmanını duyurdu.

Kurucu ve CEO Uribe-Etxebarria, şirketin veri gizliliğini “temel bir etik değer” olarak gördüğünü ve platformunun “verinin yapay zeka için özel ve güvenli bir şekilde nasıl kullanıldığı konusunda önemli bir kilometre taşı olabileceğini” söyledi.

Gizlilik ilerlemeyi engelliyor

Standart makine öğrenimi teknikleri, eğitim verilerinin bir makinede veya bir veri merkezinde merkezileştirilmesini gerektirir. Buna karşılık, federe öğrenme — tarafından icat edilen ve tanıtılan Google 2016’da — kullanıcıların bir derin öğrenme modeli eğitmek için verileri uzaktan paylaşmasına olanak tanır.

Her kullanıcı modeli buluttaki bir veri merkezinden indirebilir, kendi özel verileri üzerinde eğitebilir, yeni yapılandırmasını özetleyebilir ve şifreleyebilir. Daha sonra buluta geri gönderilir, şifresi çözülür, ortalaması alınır ve merkezi modele entegre edilir.

“Yinelemeden sonra yineleme, işbirlikçi eğitim, model tamamen eğitilene kadar devam eder” açıkladı IBM araştırmacıları.

Bununla birlikte, zorluk şu ki, yararlı ve doğru tahminler çok sayıda eğitim verisi gerektiriyor ve birçok kuruluş, özellikle yasal düzenlemelere tabi sektörlerdekiler, yapay zeka ve makine öğrenimi modellerini geliştirebilecek hassas verileri paylaşmaktan çekiniyor.

Verileri ifşa etmeden paylaşma

Bu, Sherpa’nın çözmeye çalıştığı sorundur. Uribe-Etxebarria’ya göre platformu, özel veriler paylaşılmadan yapay zeka modeli eğitimine olanak tanıyor. Bunun, modellerin ve algoritma tahminlerinin doğruluğunu artırmaya, mevzuata uygunluğu sağlamaya ve ayrıca karbon ayak izlerini azaltmaya yardımcı olabileceğini söyledi.

Uribe-Etxebarria, AI ile ilgili en büyük sorunlardan birinin, doğru modeller oluşturmak ve eğitmek için gereken yüksek miktarda hesaplama nedeniyle kullandığı önemli miktarda enerji olduğuna dikkat çekti. Araştırma birleşik öğrenmenin model eğitiminde enerji tüketimini %70’e kadar azaltabileceğini göstermiştir.

Sherpa, platformunun düğümler arasındaki iletişimi %99’a kadar azalttığını iddia ediyor. Temel teknolojileri arasında homomorfik şifreleme, güvenli çok taraflı hesaplama, diferansiyel gizlilik, kör öğrenme ve sıfır bilgi kanıtları bulunur.

Ekibinde ABD Sağlık ve İnsani Hizmetler Departmanındaki Ulusal Sağlık Enstitülerinden Carsten Bönnemann ve eski CTO ve Siri’nin kurucusu Tom Gruber’in yer aldığı şirket, NIH, KPMG ve Telefónica ile anlaşmalar imzaladı. Uribe-Etxebarria, NIH’nin zaten platformu hastalık teşhisi ve tedavisi için algoritmaları geliştirmeye yardımcı olmak için kullandığını söyledi.

Birleşik öğrenim için çok sayıda kullanım örneği

IBM araştırmacıları, müşteri mali kayıtlarının toplanmasının bankaların daha doğru müşteri kredi puanları oluşturmasına veya dolandırıcılığı tespit etmesine olanak sağlayabileceğini söyledi. Araba sigortası taleplerini bir araya toplamak, yol ve sürücü güvenliğini iyileştirmeye yardımcı olabilir; uydu görüntülerini bir araya getirmek, iklim ve deniz seviyesinin yükselmesi hakkında daha iyi tahminlere yol açabilir.

Araştırmacılar, “İnternete bağlı milyarlarca cihazdan alınan yerel veriler bize henüz sormayı düşünmediğimiz şeyleri söyleyebilir” diye yazdı.

Uribe-Etxebarria, bilimsel araştırmalarda birleşik öğrenmenin öneminin altını çizdi: AI, insan gözünün göremediği kalıpları veya biyobelirteçleri tespit etmeye yardımcı olmak için kullanılabilir. Algoritmalar, öğrenmek ve nihayetinde tahminde bulunmak için X-ışınları, tıbbi kayıtlar, kan ve glikoz testleri, elektrokardiyogramlar ve kan basıncı izleme gibi gizli verileri güvenle kullanabilir.

Beyaz Saray’da eski bilim ve teknoloji politikası direktörü ve şimdi Sherpa’nın Kıdemli Danışmanı Thomas Kalil, “Veri bilimi ve makine öğreniminin daha iyi kararlar alma, hayat kurtarma ve yeni ekonomik fırsatlar yaratma potansiyeli beni heyecanlandırıyor” dedi. yenilik.

Bununla birlikte, “insanların mahremiyetini de koruyamazsak ve suçluların milyarlarca veri kaydına erişmesine izin veren veri ihlallerini önleyemezsek, makine öğreniminin potansiyelini gerçekleştiremeyeceğiz” dedi.

Uribe-Etxebarria, “Bu, uzun bir yolculuğun yalnızca başlangıcı ve önümüzde hâlâ çok iş var” diyerek aynı fikirdeydi.

VentureBeat’in misyonu teknik karar vericilerin dönüştürücü kurumsal teknoloji ve işlemler hakkında bilgi edinmeleri için dijital bir şehir meydanı olmaktır. Brifinglerimizi keşfedin.


Kaynak : https://venturebeat.com/ai/federated-learning-key-to-securing-ai/

Yorum yapın

SMM Panel PDF Kitap indir