روشاناك هومانفار، نائب الرئيس لمنتجات التعلم الآلي في Integrate.ai – سلسلة المقابلات

روشاناك (رو) هومانفار هي نائب الرئيس لمنتجات التعلم الآلي في integrate.ai، وهي شركة تساعد المطورين على حل المشكلات الأكثر أهمية في العالم دون المخاطرة بالبيانات الحساسة. رو تتمتع بمهارة خاصة في العثور على طرق جديدة لتبسيط المفاهيم المعقدة للذكاء الاصطناعي وربطها بالاحتياجات المستخدمة. باستخدام هذه الخبرة، هي في طليعة مهمة integrate.ai لتحقيق الديمقراطية في الوصول إلى التكنولوجيا التي تعزز الخصوصية.

ما هو ما جذبك في البداية إلى علوم البيانات والتعلم الآلي؟

بدأت رحلتي في الروبوتات. بعد تجربة الزوايا المختلفة للروبوتات، وحرق مختبر اللحام، توصلت إلى أنني أكثر انجذابًا إلى جانب الذكاء الاصطناعي في مجالي، وهذا ما أدى بي إلى عالم رائع من التعلم الآلي.

يمكنك وصف دورك الحالي وما يشبه يومك العادي؟

أنا نائب الرئيس لمنتجات integrate.ai، وهي شركة برمجيات تعمل على مساعدة المطورين في حل المشكلات الأكثر أهمية في العالم دون المخاطرة بالبيانات الحساسة. نحن نبني أدوات للتعلم الآلي والتحليلات الآمنة للبيانات في المستقبل الموزع.

في عملي اليومي، أعمل مع فرقنا عبر الوظائف لتحقيق ثلاثة أشياء:

التفكير في كيفية شكل مستقبل الذكاء و كيف يمكننا تشكيل هذا المستقبل حتى ي حل المشكلات الأكثر أهمية

فهم نقاط الألم لعملائنا وكيف يمكننا الابتكار لجعل عملهم أكثر تأثيرًا و كفاءة.

ضمان أن رؤيتنا وآراء عملائنا يتم النظر فيها دائمًا في تطوير المنتج، والعمل بشكل تعاوني مع فرقنا لتسليم أفضل الميزات.

البيانات الاصطناعية هي كل الشغب حاليًا في التعلم الآلي، ولكن integrate.ai تتبنى نهجًا مخالفًا قليلًا. ما هي بعض التطبيقات التي قد لا تكون فيها البيانات الاصطناعية خيارًا مرغوبًا؟

من أجل فهم متى لا تكون البيانات الاصطناعية هي الحل الأمثل، من المهم أولاً فهم متى تكون كذلك. البيانات الاصطناعية هي أفضل استخدام عندما يكون الهدف من النمذجة له كمية صغيرة من البيانات الحقيقية المتاحة أو لا يوجد منها على الإطلاق – على سبيل المثال، في مشاكل البداية الباردة ونمذجة النص والصورة. أحيانًا، لا يوجد ما يكفي من البيانات لتدريب نموذج، وهذا هو عندما تبرز البيانات الاصطناعية كحل.

然而، يتم استخدام البيانات الاصطناعية بشكل متزايد في الحالات التي توجد فيها كمية كافية من البيانات الحقيقية، ولكن هذه البيانات محجوزة بسبب لوائح الخصوصية أو تكاليف المركزية أو عوائق أخرى. هذا هو إساءة استخدام واضحة للبيانات الاصطناعية. في هذه الحالات، من الصعب تحديد مستوى التبسيط الصحيح لإنشاء البيانات الاصطناعية، مما يؤدي إلى بيانات اصطناعية منخفضة الجودة يمكن أن تسبب انحيازًا داخليًا أو مشاكل أخرى في المستقبل التي من الصعب تشخيصها. بالإضافة إلى ذلك، النماذج المدربة على البيانات الاصطناعية لا تقارن بالنماذج المدربة على البيانات الحقيقية عالية الجودة والمتفصلة.

Integrate.ai تختص في تقديم حلول التعلم الفيدرالي، يمكنك وصف ما هو التعلم الفيدرالي؟

في التعلم الآلي التقليدي، يجب مركزية جميع بيانات تدريب النموذج في قاعدة بيانات واحدة. مع التعلم الفيدرالي، يمكن للنماذج أن تتدرب على مجموعات بيانات منتشرة أو موجودة في قواعد بيانات منفصلة ولا يمكن نقلها بسهولة. يعمل هذا من خلال تدريب أجزاء من نموذج التعلم الآلي حيث تقع البيانات، وتبادل معاملات النموذج بين مجموعات البيانات المشاركة لإنتاج نموذج عالمي محسّن. وبما أن لا بيانات تنتقل داخل النظام، يمكن للمنظمات تدريب النماذج دون عوائق مثل لوائح الخصوصية والأمان أو التكاليف أو المخاوف الأخرى المرتبطة بالمركزية.

بشكل عام، تكون بيانات التدريب المتاحة مع التعلم الفيدرالي من جودة أعلى، لأن البيانات المركزية تميل إلى فقدان بعض تفاصيلها من أجل سهولة الوصول في موقع واحد.

كيف يمكن لمؤسسة تحديد أفضل الحالات لاستخدام التعلم الفيدرالي؟

التعلم الفيدرالي هو تكنولوجيا حزمة التعلم الآلي مصممة للمواقف التي يصعب فيها الوصول إلى البيانات أو جلبها إلى البنية التقليدية للتعلم الآلي مع بحيرات البيانات المركزية. إذا كنت تعاني من أحد الأعراض التالية، فإن التعلم الفيدرالي مناسب لك:

• تقدم منتجات ذكية مدعومة بالتحليلات والتعلم الآلي ولا يمكنك إنشاء تأثيرات الشبكة لمنتجاتك لأن البيانات مملوكة لعملائك.
• تعمل من خلال اتفاقيات خدمة طويلة أو اتفاقيات مشاركة البيانات للحصول على وصول إلى بيانات شركائك.
• تنفق الكثير من الوقت في صياغة عقود التعاون مع شركائك، خاصة في الحالات التي لا يظهر فيها نتيجة شراكة البيانات لك.
• جلسة على ثروة من البيانات وتريد تحقيق أرباح من مجموعات البيانات الخاصة بك ولكنك تخشى من الآثار على سمعتك.
• لديك بالفعل تحقيق أرباح من بياناتك، ولكنك تنفق الكثير من الوقت والجهد والمال لجعل البيانات آمنة للمشاركة.
• بقيت بنيتك التحتية متخلفة خلال الانتقال إلى السحابة، ولكنك لا تزال بحاجة إلى التحليلات والتعلم الآلي.
• لديك العديد من الشركات التابعة التي تنتمي إلى نفس المنظمة ولكن لا يمكنها مشاركة البيانات مباشرة مع بعضها البعض.
• مجموعات البيانات التي تتعامل معها كبيرة جدًا أو مكلفة جدًا للنقل لذلك قررت عدم استخدامها أو أن خطوط إعداد البيانات (ETL) تكلفك الكثير.
• لديك تطبيق أو فرصة تعتقد أنها يمكن أن تؤثر بشكل كبير، ولكنك لا تمتلك البيانات بنفسك لجعلها تحدث.
• نماذج التعلم الآلي الخاصة بك قد وصلت إلى الحد الأقصى ولا تعرف كيف تحسنها أكثر.

الخصوصية التفاضلية غالبًا ما تستخدم بالتزامن مع التعلم الفيدرالي، ما هي هذه بالتحديد؟

الخصوصية التفاضلية هي تقنية لضمان الخصوصية في نفس الوقت الذي تستخدم فيه قوة التعلم الآلي. باستخدام رياضيات مختلفة عن تقنيات إلغاء التعريف القياسية، تضيف الخصوصية التفاضلية الضوضاء خلال التدريب المحلي، مما يحافظ على معظم الميزات الإحصائية لمجموعة البيانات في الوقت نفسه، ويتقلص خطر أن يتم تحديد بيانات أي فرد.

في التطبيقات المثالية، تقلل الخصوصية التفاضلية المخاطر إلى ما يقرب من الصفر، بينما تحتفظ نماذج التعلم الآلي بأداء مماثل – مما يوفر جميع الأمان اللازم لتحديد الهوية، دون تقليل جودة نتائج النموذج.

تضمن integrate.ai الخصوصية التفاضلية افتراضيًا في منصتها، بحيث يمكن للمطورين التأكد من أن بيانات الأفراد لا يمكن استنتاجها من معاملات نموذجهم.

يمكنك وصف كيف تعمل منصة التعلم الفيدرالي في integrate.ai؟

تستخدم منصتنا تكنولوجيا التعلم الفيدرالي والخصوصية التفاضلية لفتح مجموعة من قدرات التعلم الآلي والتحليلات على البيانات التي من الصعب أو المستحيل الوصول إليها بسبب الخصوصية أو السرية أو الحواجز الفنية. يتم إجراء عمليات مثل تدريب النموذج والتحليلات محليًا، ويتم تجميع النتائج النهائية فقط بطريقة آمنة وسرية.

integrate.ai يتم تضمينها كأداة مطور، مما يسمح للمطورين بدمج هذه القدرات بسهولة في أي حل باستخدام مجموعة برمجيات سهلة الاستخدام وخدمة سحابية داعمة لإدارة النهاية إلى النهاية. بمجرد دمج المنصة، يمكن للمستخدمين النهائيين التعاون عبر مجموعات بيانات حساسة في حين يحتفظ أمناء البيانات بالسيطرة الكاملة. يمكن أن تعمل الحلول التي تدمج integrate.ai كأدوات تجربة فعالة وخدمات جاهزة للإنتاج.

ما هي بعض الأمثلة على كيفية استخدام هذه المنصة في التشخيص الدقيق؟

إحدى شبكات الشركاء التي نعمل معها، مبادرة مشاركة التوحد، تجمع المعلومات المتعلقة بتشخيص التوحد بالإضافة إلى عينات من بيانات الجينوم لفهم العلاقات بين الجينوتايب والفينوتايب و تشخيصات التوحد. كل موقع بيانات فردي لا يمتلك ما يكفي من مجموعات البيانات لجعل نماذج التعلم الآلي تعمل، ولكن بشكل جماعي يخلقون حجم عينة معني. ومع ذلك، يُعتبر نقل البيانات خطرًا كبيرًا للأمان والخصوصية، وبسبب اللوائح والسياسات المستشفية، هذه المعاهد البحثية دائمًا ما ترفض المشاركة.

في شبكة أخرى، مع إعداد مشابه، يهتم الباحثون بتحسين تعيين التجارب السريرية للمرضى باستخدام نظرة شاملة لتاريخ كل مريض.

المنشآت البحثية المختلفة لها وصول إلى معلومات مختلفة عن كل مريض – مختبر واحد يمتلك مسحًا طبيًا، ومختبر آخر يمتلك معلومات جينومية، ومعهد آخر يمتلك نتائج التجارب السريرية. ومع ذلك، لا يمكن لهذه المنظمات مشاركة المعلومات مباشرة مع بعضها البعض.

باستخدام حل integrate.ai، يمكن لكل منظمة الوصول إلى بيانات الأخرى لأغراضها دون نقل البيانات بعيدًا عن أمناء البيانات وبالتالي الامتثال لسياساتها الداخلية.

يمكنك مناقشة أهمية جعل الخصوصية مفهومة وكيف تمكن integrate.ai من ذلك؟

جعل الخصوصية مفهومة يعني فتح الكثير من الأبواب للأعمال والمنظمات التي كانت مغلقة تاريخيًا بسبب طبيعة المخاطر الغامضة. لوائح الخصوصية مثل GDPR وCCPA وHIPPA معقدة للغاية ويمكن أن تختلف حسب الصناعة أو المنطقة أو نوع البيانات، مما يجعل من الصعب على المنظمات تحديد ما إذا كانت مشاريع البيانات آمنة من الناحية الخصوصية. بدلاً من تبديد الوقت والقوى العاملة في التحقق من كل مربع، تقدم منصة التعلم الفيدرالي في integrate.ai الخصوصية التفاضلية والتشفير الموموجي و الحوسبة الآمنة المتعددة الأطراف افتراضيًا، بحيث يمكن للمطورين والمحافظين على البيانات النوم بسلام عقل، مع العلم أن مشاريعهم ستوافق تلقائيًا مع المتطلبات التنظيمية، دون الحاجة إلى القفز من حلقة إلى أخرى.

هل هناك أي شيء آخر تود مشاركته حول integrate.ai؟

حل integrate.ai هو أداة مطور友ية للغاية تسمح بالتعلم الآلي والتحليلات المتوافقة مع الخصوصية والأمان على مصادر البيانات الحساسة. من خلال واجهات برمجة التطبيقات البسيطة، يتم تجريد كل تعقيدات الامتثال التنظيمي وال عقود على البيانات الحساسة. حل integrate.ai يسمح للعلماء وعلماء البيانات والمطورين بالبرمجيات بإدارة حمولتهم العمل بسلام مع تأثير mínimo على البنية التحتية الحالية وعمليات العمل.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا integrate.ai.