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

روشاناك (رو) هومانفار هي نائب الرئيس لمنتجات التعلم الآلي في integrate.ai، شركة تساعد المطورين على حل أكثر المشاكل أهمية في العالم دون المخاطرة بالبيانات الحساسة. رو لها موهبة خاصة في العثور على طرق جديدة لتبسيط المفاهيم المعقدة للتعلم الآلي وربطها بمتطلبات المستخدم. باستخدام هذه الخبرة، هي في طليعة مهمة integrate.ai لتحقيق الديمقراطية في الوصول إلى تكنولوجيا تعزيز الخصوصية.

ما الذي جذبك في البداية إلى علم البيانات والتعلم الآلي؟

بدأت رحلتي في الروبوتات. بعد التجربة مع زوايا مختلفة من الروبوتات، وحرق مختبر اللحام، توصلت إلى أنني أكثر انجذابًا إلى جانب الذكاء الاصطناعي في مجالي، مما أدى بي إلى عالم رائع من التعلم الآلي.

يمكنك وصف دورك الحالي وما يشبه يومك العادي؟

أنا نائب الرئيس لمنتجات integrate.ai، شركة برمجيات كخدمة تساعد المطورين على حل أكثر المشاكل أهمية في العالم دون المخاطرة بالبيانات الحساسة. نحن نبني أدواتًا للتعلم الآلي وتحليلات آمنة للبيانات للمستقبل الموزع للبيانات.

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

تفكير في كيف يمكن أن يبدو مستقبل الذكاء و كيف يمكننا تشكيل هذا المستقبل بحيث يحل الذكاء أكثر المشاكل حرجة.

فهم نقاط ألم عملائنا و كيف يمكننا الابتكار لجعل عملهم أكثر تأثيرًا و كفاءة.

ضمان أن رؤيتنا و تعليقات العملاء دائمًا ما يتم النظر فيها في تطوير المنتج، و العمل بالتعاون مع فرقنا لتسليم أفضل الميزات.

البيانات الاصطناعية هي كل العاصفة في التعلم الآلي الآن، لكن integrate.ai تأخذ نهجًا متعارضًا قليلاً. ما هي بعض التطبيقات التي قد لا تكون البيانات الاصطناعية خيارًا مرغوبًا فيها؟

للفهم عندما لا تكون البيانات الاصطناعية هي الحل الأمثل، من المهم أولاً فهم متى تكون كذلك. البيانات الاصطناعية هي أفضل استخدام عندما يكون الهدف من النمذجة لديه كمية صغيرة من البيانات الحقيقية المتاحة أو لا يوجد على الإطلاق – على سبيل المثال، في مشاكل البداية الباردة و تدريب النماذج القائمة على النص و الصور. أحيانًا، لا يوجد ببساطة ما يكفي من البيانات للتدريب على نموذج، وهو عندما تبرز البيانات الاصطناعية كحل.

然而، يتم استخدام البيانات الاصطناعية بشكل متزايد في الحالات التي توجد فيها كمية وافرة من البيانات الحقيقية، ولكن هذه البيانات معزولة بسبب لوائح الخصوصية أو تكاليف المركزية أو عواقب أخرى لعدم القدرة على العمل معًا. 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 فطريًا أو مشاكل أخرى في المستقبل يصعب تصحيحها. بالإضافة إلى ذلك، النماذج التي يتم تدريبها على البيانات الاصطناعية لا تتماشى مع تلك التي يتم تدريبها على البيانات الحقيقية عالية الجودة و الدقيقة.

تخصص integrate.ai في تقديم حلول التعلم الفيدرالي، يمكنك وصف ما هو التعلم الفيدرالي؟

في التعلم الآلي التقليدية، يجب مركزية جميع بيانات تدريب النموذج في قاعدة بيانات واحدة. مع التعلم الفيدرالي، يمكن للنماذج أن تتدرب على مجموعات بيانات منتشرة أو معزولة – أو البيانات التي تقع في قواعد بيانات منفصلة ولا يمكن نقلها بسهولة. وكيفية عملها هو أن أجزاء من نموذج التعلم الآلي تتدرب حيث تقع البيانات، و يتم مشاركة معاملات النموذج بين مجموعات البيانات المشاركة لإنتاج نموذج عالمي محسّن. و由于 لا تنتقل البيانات داخل النظام، يمكن للمنظمات تدريب النماذج دون عوائق مثل لوائح الخصوصية والأمان أو التكاليف أو القلق من المركزية.

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

كيف يمكن لمؤسسة تحديد أفضل الحالات لاستخدام التعلم الفيدرالي؟

التعلم الفيدرالي هو تكنولوجيا حزمة التعلم الآلي مبنية للحالات 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 للعملاء.
• تعمل من خلال اتفاقيات خدمة رئيسية أو اتفاقيات مشاركة البيانات للاستفادة من البيانات من شركائك.
• تنفق الكثير من الوقت في صياغة عقود التعاون مع شركائك، خاصة في الحالات التي يكون فيها نتيجة هذه الشراكة غير واضحة لك.
• تجلس على كنز من البيانات وتريد تحقيق أرباح من مجموعات البيانات الخاصة بك ولكنك تخشى من الآثار على سمعتك.
• لديك بالفعل تحقيق أرباح من البيانات الخاصة بك، ولكنك تنفق الكثير من الوقت والجهد والمال لجعل البيانات آمنة للمشاركة.
• بنية تحتية تم التخلي عنها خلال الانتقال إلى السحابة، ولكنك لا تزال بحاجة إلى التحليلات والتعلم الآلي.
• لديك العديد من الشركات التابعة التي تنتمي إلى نفس المنظمة ولكن لا يمكنك مشاركة البيانات مباشرة مع بعضها البعض.
• مجموعات البيانات التي تتعامل معها كبيرة جدًا أو مكلفة جدًا لنقلها حولها لذلك قررت عدم استخدامها أو أن خطوط أنابيب ETL الخاصة بك تكلفك الكثير.
• لديك تطبيق أو فرصة تعتقد أنها يمكن أن تؤثر بشكل كبير، ولكنك لا تمتلك البيانات نفسك لجعلها تحدث.
• نماذج التعلم الآلي الخاصة بك قد وصلت إلى الحد الأقصى ولا تعرف كيف تحسنها أكثر.

الخصوصية التفاضلية غالبًا ما تُستخدم 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 التعريف القياسية، تضيف الخصوصية التفاضلية الضوضاء خلال التدريب المحلي على النموذج، مما يحافظ على معظم الميزات الإحصائية لمجموعة البيانات في حين يقيد خطر أن يتم تحديد بيانات أي فرد.

في التطبيقات المثالية، تقلل الخصوصية التفاضلية من المخاطر إلى ما يقرب من الصفر، بينما يحافظ نماذج التعلم الآلي على أداء مماثل – مما يوفر كل الأمان اللازم لمسح البيانات، دون أن ي 降ض من جودة نتائج النموذج.

الخصوصية التفاضلية مدرجة في منصة integrate.ai افتراضيًا، بحيث يمكن للمطورين التأكد من أن البيانات الفردية لا يمكن استنتاجها من معاملات نموذجهم.

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

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

integrate.ai يتم تضمينها كأداة مطور، مما يسمح للمطورين بدمج هذه القدرات بسهولة في أي حل مع مجموعة برمجية سهلة الاستخدام (SDK) وخدمة سحابية لدعم الإدارة الشاملة. بمجرد دمج المنصة، يمكن للمستخدمين النهائيين التعاون عبر مجموعات بيانات حساسة مع الحفاظ على سيطرة الكيانات على البيانات. الحلول التي تدمج integrate.ai يمكن أن تخدم كأدوات تجربة فعالة وخدمات جاهزة للانتاج.

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

واحدة من شبكات الشركاء التي نعمل معها، مبادرة مشاركة التوحد، تجمع المعلومات المتعلقة بتشخيص التوحد وكذلك عينات من بيانات الجينوم لفهم الاتصالات بين الجينوم والفينوتايب والتشخيص. كل موقع بيانات فردي لا يمتلك ما يكفي من مجموعات البيانات لجعل نماذج التعلم الآلي تعمل، ولكن بشكل جماعي يخلقون حجم عينة ذي معنى. ومع ذلك، فإن نقل البيانات ي представляет خطرًا كبيرًا للأمان والخصوصية، و بسبب اللوائح وسياسات المستشفيات، هذه المعاهد البحثية دائمًا ما تفضل عدم المشاركة.

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

المعاهد البحثية المختلفة لها وصول إلى معلومات مختلفة عن كل مريض – مختبر واحد يمتلك صورًا طبية، و مختبر آخر يمتلك معلومات جينومية، و معهد آخر يمتلك نتائج التجارب السريرية. لكن هذه المنظمات المختلفة لا يمكنها مشاركة المعلومات مباشرة مع بعضها البعض.

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

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

جعل الخصوصية مفهومة يعني فتح الكثير من الأبواب للأعمال والمنظمات التي كانت تاريخيًا مغلقة بسبب طبيعة المخاطر الغامضة. لوائح الخصوصية مثل GDPR و CCPA و HIPPA معقدة للغاية ويمكن أن تختلف حسب الصناعة والمنطقة ونوع 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 و التشفير المتجانس و الحساب الآمن المتعدد الأطراف افتراضيًا، بحيث يمكن للمطورين و أمناء البيانات النوم بسلام مع العلم أن مشاريعهم سوف تتوافق تلقائيًا مع المتطلبات التنظيمية، دون العبء الذي يأتي مع القفز من خلال كل حفرة فئوية.

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

حل integrate.ai هو أداة ودودة للمطورين تتيح التعلم الآلي والتحليلات المطابقة للخصوصية والأمان على مجموعات بيانات حساسة. من خلال واجهات برمجة التطبيقات البسيطة، يتم إزالة كل تعقيدات الامتثال التنظيمي والعقود على مجموعات بيانات حساسة. حل integrate.ai يسمح لعلماء البيانات و المطورين البرمجيين بإدارة حمولة العمل بأمان مع تأثير ضئيل على البنية التحتية الحالية و سير العمل.

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