مايك كابس، المؤسس المشارك والرئيس التنفيذي لشركة دايف بلين – سلسلة المقابلات

الدكتور مايكل كابس هو tecnologist مشهور والرئيس التنفيذي لشركة دايف بلين كوربوريشن. قبل تأسيس دايف بلين، كان مايك لديه مسيرة легендية في صناعة ألعاب الفيديو كرئيس لشركة إيبك جيمز، الشركة المصنعة لألعاب الفيديو الشهيرة فورت نايت و جيرز أوف وور. شملت فترته مئات من جوائز لعبة السنة، وأعطى عشرات المحاضرات الرئيسية في المؤتمرات، وحصل على جائزة الإنجاز مدى الحياة، ودفاع ناجح عن حرية التعبير في ألعاب الفيديو في المحكمة العليا الأمريكية.

دايف بلين تقدم حلول أعمال مدعومة بالذكاء الاصطناعي عبر العديد من الصناعات. مع ست براءات اختراع تمت الموافقة عليها وبراءات اختراع متعددة قيد الانتظار، يوفر الذكاء الاصطناعي المفهوم لشركة دايف بلين فهمًا كاملاً وشفافية في اتخاذ القرارات لدعم سياسات الذكاء الاصطناعي الأخلاقي و استراتيجيات حماية البيانات.

لقد نجحت في الاستمتاع بمسيرة ناجحة في صناعة ألعاب الفيديو في شركة إيبك جيمز، ماذا ألهمك للخروج من الاستمتاع بالتقاعد والتركيز على الذكاء الاصطناعي؟

كان صنع الألعاب ممتعًا، ولكن – على الأقل في ذلك الوقت – لم يكن مسارًا وظيفيًا مثاليًا عند وجود عائلة جديدة. لقد ظللت مشغولاً بمجالس الإدارة والمناصب الاستشارية، ولكنها لم تكن ممتعة. لذلك، قمت بإنشاء قائمة بثلاث مشاكل رئيسية تواجه العالم والتي يمكنني التأثير عليها – وضمت ذلك انتشار أنظمة الذكاء الاصطناعي من النوع “ال盒ة السوداء”. كان خطتي أن أقضي سنة على كل واحدة من هذه المشاكل، ولكن بعد بضعة أسابيع، أخبرني صديقي الممتاز كريس هازارد أنه كان يعمل سرًا على منصة ذكاء اصطناعي شفافة ويمكن تفسيرها بالكامل. وهنا نحن.

تم إنشاء دايف بلين بهدف إحضار الإنسانية إلى الذكاء الاصطناعي، هل يمكنك توضيح ما يعني ذلك بشكل محدد؟

بالتأكيد. هنا، نستخدم مصطلح “الإنسانية” ليعني “الرحمة” أو “الاحترام”. لضمان أن يكون أفضل ما في البشرية موجودًا في نموذج الذكاء الاصطناعي الخاص بك، لا يمكنك فقط تدريب النموذج واختباره قليلاً وتأمل أن يكون كل شيء على ما يرام.

نحن بحاجة إلى مراجعة بيانات الإدخال بعناية، والنموذج نفسه، ونتائج النموذج، والتأكد من أنها تعكس أفضل ما في إنسانيّتنا. معظم الأنظمة المُدرَّبة على البيانات التاريخية أو البيانات الواقعية لن تكون صحيحة في المرة الأولى، وليست بالضرورة غير متحيزة أيضًا. نعتقد أن الطريقة الوحيدة لإزالة التحيز في النموذج – بمعنى الأخطاء الإحصائية والتحيز – هي مزيج من الشفافية والمراجعة والتوضيح المفهوم للبشر.

التكنولوجيا الأساسية في دايف بلين تسمى ريكتور، ما الذي يجعل هذا النهج جديدًا في جعل التعلم الآلي قابلًا للتفسير؟

التعلم الآلي عادةً ما يتضمن استخدام البيانات لإنشاء نموذج يُتخذ نوعًا معينًا من القرارات. قد تتضمن القرارات زوايا دوران العجلات لمركبة، أو ما إذا كان يتم الموافقة على الشراء أو رفضه أو تعليمه كاحتيال، أو المنتج الموصى به لشخص ما. إذا كنت تريد معرفة كيف اتخذ النموذج القرار، عادةً ما عليك أن تسأله العديد من القرارات المماثلة ثم حاول مرة أخرى لتخمين ما قد يفعله النموذج نفسه.

العمل مع ريكتور مختلف تمامًا. ريكتور يحدد عدم اليقين في بياناتك، وبياناتك تصبح النموذج. بدلاً من إنشاء نموذج واحد لكل نوع من القرارات، يمكنك فقط أن تسأل ريكتور ما تريد منه أن يقرر — يمكن أن يكون أي شيء متعلق بالبيانات — وريكتور يسأل ما البيانات اللازمة لقرار معين. ريكتور يمكنه دائمًا إظهار لك البيانات التي استخدمها، وكيف تتعلق بالجواب، كل جانب من جوانب عدم اليقين، والاستدلال بالمقارنة، وأي سؤال إضافي تريد أن تسأله. لأن البيانات هي النموذج، يمكنك تعديل البيانات وريكتور سوف يتم تحديثه على الفور. يمكنه إظهار لك ما إذا كان هناك أي بيانات تبدو غير عادية أدخلت في القرار، وتتبع كل تعديل إلى البيانات ومصدرها.

ريكتور يستخدم نظرية الاحتمال كل الطريق، مما يعني أننا يمكن أن نخبرك بوحدات القياس لكل جزء من عملياته. وأخيرًا، يمكنك إعادة إنتاج وتحقق أي قرار باستخدام فقط البيانات التي أدت إلى القرار وعدم اليقين، باستخدام الرياضيات البسيطة دون الحاجة إلى ريكتور.

ريكتور قادر على القيام بكل ذلك مع الحفاظ على دقة تنافسية عالية، خاصة لمجموعات البيانات الصغيرة والمنفردة.

جيميناي هو منتج يبني توأمًا رقميًا لمجموعة بيانات، ماذا يعني ذلك بشكل محدد وكيف يضمن ذلك حماية البيانات؟

عندما تقدم جيميناي مجموعة بيانات، يبني فهمًا عميقًا للشكل الإحصائي لتلك البيانات. يمكنك استخدامه لإنشاء توأم اصطناعي ي似 الشكل الهيكلي للبيانات الأصلية، ولكن جميع السجلات هي جديدة. ولكن الشكل الإحصائي هو نفسه. على سبيل المثال، معدل ضربات قلب المرضى في كلا المجموعتين سيكون تقريبًا نفس المعدل، كما هو الحال مع جميع الإحصاءات الأخرى. وبالتالي، أي تحليلات بيانات باستخدام التوأم سوف تعطي نفس الإجابة مثل الأصلي، بما في ذلك تدريب نماذج التعلم الآلي.

وإذا كان هناك سجل لشخص ما في البيانات الأصلية، فسيكون هناك لا سجل له في التوأم الاصطناعي. نحن لا نزيل فقط الاسم – نحن نجعل التأكد من أن هناك لا سجل جديد ي似 السجل (والسجلات الأخرى) في فضاء المعلومات. أي لا يوجد سجل يمكن التعرف عليه في كل من المجموعة الأصلية والمجموعة الاصطناعية.

وهذا يعني أن مجموعة البيانات الاصطناعية يمكن أن تُshared بحرية أكبر دون مخاطر مشاركة المعلومات Confidential بشكل غير صحيح. لا يهم إذا كانت معاملات مالية شخصية أو معلومات صحية للمرضى أو بيانات مصنفة – طالما إحصاءات البيانات ليست سرية، التوأم الاصطناعي ليس سرًا.

لماذا جيميناي هو حل أفضل من استخدام الخصوصية التفاضلية؟

الخصوصية التفاضلية هي مجموعة من التقنيات التي تحافظ على احتمال أن يؤثر أي فرد على الإحصاءات أكثر من مقدار هامشية، وهي قطعة أساسية في أي حل لخصوصية البيانات. ومع ذلك، عندما تستخدم الخصوصية التفاضلية بمفردها، يتعين إدارة ميزانية الخصوصية للبيانات، مع إضافة ضوضاء كافية إلى كل استعلام. بمجرد استنفاد هذه الميزانية، لا يمكن استخدام البيانات مرة أخرى دون تعريضها لمخاطر الخصوصية.

جيميناي يحل هذه المشاكل وأكثر من ذلك من خلال الجمع بين تقنيات الخصوصية المتعددة عند إنشاء البيانات الاصطناعية. إنه يستخدم شكلًا عمليًا من الخصوصية التفاضلية يمكن أن يحتوي على مجموعة واسعة من أنواع البيانات. إنه مبني على محرك ريكتور، لذلك إنه يعرف أيضًا احتمال أن تُconfused أي قطع من البيانات مع بعضها البعض، وينسخ البيانات مع التأكد من أنها دائمًا مختلفة بما يكفي عن البيانات الأصلية. بالإضافة إلى ذلك، يعالج كل حقل وكل قطعة من البيانات على أنها محتملة الحساسية أو التعريف، لذلك يطبق أشكالًا عملية من الخصوصية التفاضلية للحقول التي لا يُعتبرها عادةً حساسة ولكن يمكن أن تعرف الفرد، مثل المعاملة الوحيدة في متجر يعمل على مدار 24 ساعة بين الساعة 2 و 3 صباحًا. غالبًا ما نسمي هذا “تجزئة الخصوصية عبر المقاطع”.

جيميناي قادر على تحقيق دقة عالية لغرض تقريبًا، ي似 البيانات الأصلية، ولكن يمنع أي شخص من العثور على بيانات اصطناعية شبيهة جدًا بالبيانات الاصطناعية.

كان دايف بلينinstrumental في التأسيس المشترك لتحالف البيانات والثقة، ما هو هذا التحالف؟

إنه مجموعة رائعة من رؤساء تنفيذيين للتكنولوجيا، يتعاونون لتطوير واعتماد ممارسات بيانات وذكاء اصطناعي مسؤولة. منظمات عالمية مثل آي بي إم، جونسون آند جونسون، ماستركارد، يو بي إس، والمار特، ودايف بلين. نحن فخورون جدًا بأننا كنا جزءًا من المراحل الأولى، وفخورون بالعمل الذي قمنا به بشكل جماعي على مبادراتنا.

(MA ) (WMT )

raised دايف بلين مؤخرًا جولة تمويل ناجحة من السلسلة أ، ماذا سوف يعني ذلك لمستقبل الشركة؟

لقد كنا محظوظين بنجاحنا في مشاريعنا التجارية، ولكن من الصعب تغيير العالم مشروعًا تلو الآخر. سنستخدم هذا الدعم لبناء فريقنا، ونشارك رسالتنا، ونحصل على الذكاء الاصطناعي المفهوم في كل مكان يمكننا!

هل هناك شيء آخر تريد مشاركته حول دايف بلين؟

دايف بلين هو كل شيء عن ضمان أن يتم تنفيذ الذكاء الاصطناعي بشكل صحيح مع انتشارها. نحن حول الذكاء الاصطناعي العادل والشفاف والمفهوم، ونُظهر بشكل استباقي ما يدفع القرارات، ونتحرك بعيدًا عن عقلية “البوكس الأسود” في الذكاء الاصطناعي التي يمكن أن تكون غير عادلة وغير أخلاقية ومنحازة. نعتقد أن تفسير الذكاء الاصطناعي هو مستقبل الذكاء الاصطناعي، ونحن متحمسون للعب دور رئيسي في دفعها إلى الأمام!

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا دايف بلين.