Mike Capps, Co-Founder & CEO von Diveplane – Interview-Serie

Dr. Michael Capps ist ein bekannter Technologe und CEO von Diveplane Corporation. Bevor er Diveplane co-gründete, hatte Mike eine legendäre Karriere in der Videospiele-Industrie als Präsident von Epic Games, den Machern der Blockbuster Fortnite und Gears of War. Seine Amtszeit umfasste über hundert Game-of-the-Year-Auszeichnungen, Dutzende von Konferenz-Keynotes, einen Lifetime-Achievement-Award und eine erfolgreiche Verteidigung der freien Meinungsäußerung von Videospielen vor dem Obersten Gerichtshof der USA.

Diveplane bietet AI-gestützte Geschäftslösungen in verschiedenen Branchen an. Mit sechs genehmigten Patenten und mehreren anhängigen Patenten bietet Diveplanes verständliche KI eine vollständige Transparenz und Entscheidungstransparenz zur Unterstützung ethischer KI-Richtlinien und Datenstrategien.

Sie haben sich erfolgreich aus einer erfolgreichen Karriere in der Videospielindustrie bei Epic Games zurückgezogen, was hat Sie dazu inspiriert, aus dem Ruhestand auszubrechen und sich auf KI zu konzentrieren?

Das Erstellen von Spielen war ein Vergnügen, aber – zumindest zu dieser Zeit – war es keine ideale Karriere, wenn man eine neue Familie hatte. Ich hielt mich mit Aufsichtsrats- und Beratertätigkeiten beschäftigt, aber es war einfach nicht erfüllend. Also erstellte ich eine Liste von drei großen Problemen, mit denen die Welt konfrontiert ist und die ich möglicherweise beeinflussen kann – und dazu gehörte die Verbreitung von Black-Box-KI-Systemen. Mein Plan war, ein Jahr lang an jedem dieser Probleme zu arbeiten, aber ein paar Wochen später erzählte mir mein brillanter Freund Chris Hazard, dass er heimlich an einer transparenten, vollständig erklärlichen KI-Plattform gearbeitet hatte. Und hier sind wir.

Diveplane wurde mit der Mission gegründet, der KI Menschlichkeit zu verleihen, können Sie dies spezifisch erläutern?

Ja. Hier verwenden wir den Begriff Menschlichkeit, um “Menschlichkeit” oder “Mitgefühl” zu bedeuten. Um sicherzustellen, dass die beste Menschlichkeit in Ihrem KI-Modell ist, können Sie nicht einfach trainieren, ein wenig testen und hoffen, dass alles in Ordnung ist.

Wir müssen die Eingabedaten, das Modell selbst und die Ausgabe des Modells sorgfältig überprüfen und sicherstellen, dass sie die beste Menschlichkeit widerspiegeln. Die meisten Systeme, die auf historischen oder realen Daten trainiert werden, sind nicht korrekt, wenn sie zum ersten Mal verwendet werden, und sie sind nicht unbedingt unvoreingenommen. Wir glauben, dass die einzige Möglichkeit, Voreingenommenheit in einem Modell zu beseitigen – sowohl statistische Fehler als auch Vorurteile – die Kombination aus Transparenz, Prüfbarkeit und menschlicher Erklärung ist.

Die Kern-Technologie bei Diveplane heißt REACTOR, was macht dies zu einem neuen Ansatz, um maschinelles Lernen erklärbar zu machen?

Maschinelles Lernen umfasst typischerweise die Verwendung von Daten, um ein Modell zu erstellen, das eine bestimmte Art von Entscheidung trifft. Entscheidungen können beispielsweise den Winkel umfassen, den die Räder für ein Fahrzeug drehen, ob ein Kauf oder eine Markierung als Betrug abgelehnt wird oder welches Produkt jemandem empfohlen wird. Wenn Sie erfahren möchten, wie das Modell die Entscheidung getroffen hat, müssen Sie es normalerweise viele ähnliche Entscheidungen fragen und dann versuchen, vorherzusagen, was das Modell selbst tun könnte. Maschinelles Lernen ist entweder in den Arten von Erkenntnissen begrenzt, die es anbieten kann, oder durch die Tatsache, dass die Erkenntnisse tatsächlich das widerspiegeln, was das Modell getan hat, um die Entscheidung zu treffen, oder durch eine geringere Genauigkeit.

Die Arbeit mit REACTOR ist ganz anders. REACTOR charakterisiert die Unsicherheit Ihrer Daten und Ihre Daten werden zum Modell. Anstatt ein Modell pro Entscheidungstyp zu erstellen, fragen Sie REACTOR einfach, was Sie entscheiden möchten – es kann alles sein, was mit den Daten zusammenhängt – und REACTOR fragt, welche Daten für eine bestimmte Entscheidung benötigt werden. REACTOR kann Ihnen immer zeigen, welche Daten es verwendet, wie es mit der Antwort zusammenhängt, jeden Aspekt der Unsicherheit, kontrafaktisches Denken und praktisch jede weitere Frage, die Sie stellen möchten. Da die Daten das Modell sind, können Sie die Daten bearbeiten und REACTOR wird sofort aktualisiert. Es kann Ihnen zeigen, ob es Daten gab, die anomalen aussahen und in die Entscheidung einbezogen wurden, und jede Bearbeitung der Daten und ihrer Quelle nachverfolgen. REACTOR verwendet Wahrscheinlichkeitstheorie auf allen Ebenen, was bedeutet, dass wir Ihnen die Maßeinheiten jedes Teils seiner Funktionsweise nennen können. Und schließlich können Sie jede Entscheidung reproduzieren und validieren, indem Sie nur die Daten verwenden, die zu der Entscheidung führten, und die Unsicherheiten, unter Verwendung relativ einfacher Mathematik, ohne sogar REACTOR zu benötigen.

REACTOR kann all dies tun, während es eine hohe Genauigkeit, insbesondere für kleine und sparse Datensätze, beibehält.

GEMINAI ist ein Produkt, das eine digitale Zwillingssatz einer Datenmenge erstellt, was bedeutet dies spezifisch und wie stellt es sicher, dass die Daten privat bleiben?

Wenn Sie GEMINAI eine Datenmenge füttern, baut es ein tiefes Wissen über die statistische Form dieser Daten auf. Sie können es verwenden, um einen synthetischen Zwilling zu erstellen, der der Struktur der ursprünglichen Daten ähnelt, aber alle Aufzeichnungen neu erstellt sind. Aber die statistische Form ist dieselbe. Zum Beispiel wäre der Durchschnittswert der Herzfrequenz von Patienten in beiden Sätzen fast gleich, ebenso wie alle anderen Statistiken. Somit würde jede Datenanalyse, die den Zwilling verwendet, dieselbe Antwort wie die Originale liefern, einschließlich des Trainings von ML-Modellen.

Und wenn jemand eine Aufzeichnung in den ursprünglichen Daten hat, gäbe es keine Aufzeichnung für ihn im synthetischen Zwilling. Wir entfernen nicht nur den Namen – wir stellen sicher, dass es keine neue Aufzeichnung gibt, die in der Informationsmenge “nahe” der Aufzeichnung (und aller anderen) ist. D. h., es gibt keine Aufzeichnung, die in beiden Sätzen, dem ursprünglichen und dem synthetischen, erkennbar ist.

Und das bedeutet, dass der synthetische Datensatz viel freier geteilt werden kann, ohne das Risiko, vertrauliche Informationen unangemessen zu teilen. Es spielt keine Rolle, ob es sich um persönliche Finanztransaktionen, Patientengesundheitsinformationen, klassifizierte Daten oder andere Arten von Daten handelt – solange die Statistiken der Daten nicht vertraulich sind, ist der synthetische Zwilling nicht vertraulich.

Warum ist GEMINAI eine bessere Lösung als die Verwendung von Differential-Privatsphäre?

Differential-Privatsphäre ist eine Reihe von Techniken, die die Wahrscheinlichkeit, dass ein Einzelner die Statistiken mehr als einen marginalen Betrag beeinflusst, begrenzen und ein grundlegender Bestandteil fast jeder Daten-Privatsphäre-Lösung sind. Wenn jedoch Differential-Privatsphäre allein verwendet wird, muss ein Privatsphäre-Budget für die Daten verwaltet werden, mit ausreichendem Rauschen, das jeder Abfrage hinzugefügt wird. Sobald dieses Budget aufgebraucht ist, können die Daten nicht mehr ohne Privatsphäre-Risiken verwendet werden.

Eine Möglichkeit, dieses Budget zu überwinden, besteht darin, das volle Privatsphäre-Budget auf einmal zu verwenden, um ein maschinelles Lernen-Modell zu trainieren, das synthetische Daten erzeugt. Die Idee ist, dass dieses Modell, das mit Differential-Privatsphäre trainiert wurde, relativ sicher verwendet werden kann. Die ordnungsgemäße Anwendung von Differential-Privatsphäre kann jedoch schwierig sein, insbesondere wenn es unterschiedliche Datenmengen für verschiedene Einzelpersonen und komplexere Beziehungen gibt, wie z. B. Menschen, die im selben Haus leben. Und synthetische Daten, die aus diesem Modell erzeugt werden, enthalten oft durch Zufall reale Daten, die ein Einzelperson als ihre eigenen beanspruchen könnte, weil sie zu ähnlich sind.

GEMINAI löst diese Probleme und mehr, indem es bei der Erstellung von synthetischen Daten mehrere Privatsphäre-Techniken kombiniert. Es verwendet eine praktische Form von Differential-Privatsphäre, die eine Vielzahl von Datentypen aufnehmen kann. Es basiert auf unserem REACTOR-Motor, so dass es zusätzlich die Wahrscheinlichkeit kennt, dass Datenstücke miteinander verwechselt werden könnten, und synthetisiert Daten, um sicherzustellen, dass sie immer ausreichend unterschiedlich von den ähnlichsten ursprünglichen Daten sind. Darüber hinaus behandelt es jedes Feld, jedes Datenstück als potenziell sensibel oder identifizierbar, so dass es praktische Formen von Differential-Privatsphäre für Felder anwendet, die nicht traditionell als sensibel angesehen werden, aber ein Einzelperson eindeutig identifizieren könnten, wie z. B. die einzige Transaktion in einem 24-Stunden-Shop zwischen 2 und 3 Uhr morgens. Wir bezeichnen dies oft als Privatsphäre-Querschneidung.

GEMINAI kann eine hohe Genauigkeit für fast jeden Zweck erzielen, der dem ursprünglichen Datensatz ähnelt, aber verhindert, dass jemand synthetische Daten findet, die dem ursprünglichen Datensatz zu ähnlich sind.

Diveplane war maßgeblich an der Gründung des Data & Trust Alliance beteiligt, was ist diese Allianz?

Es ist eine absolut fantastische Gruppe von Technologie-CEOs, die zusammenarbeiten, um verantwortungsvolle Daten- und KI-Praktiken zu entwickeln und anzunehmen. Weltklasse-Organisationen wie IBM, Johnson & Johnson, Mastercard (MA ), UPS, Walmart (WMT ) und Diveplane. Wir sind sehr stolz darauf, Teil der frühen Stadien gewesen zu sein und auch stolz auf die Arbeit, die wir gemeinsam an unseren Initiativen geleistet haben.

Diveplane hat kürzlich eine erfolgreiche Series-A-Runde durchgeführt, was bedeutet dies für die Zukunft des Unternehmens?

Wir hatten das Glück, bei unseren Unternehmensprojekten erfolgreich zu sein, aber es ist schwierig, die Welt ein Unternehmen nach dem anderen zu verändern. Wir werden diese Unterstützung nutzen, um unser Team aufzubauen, unsere Botschaft zu teilen und verständliche KI an so viele Orte wie möglich zu bringen!

Gibt es noch etwas, das Sie über Diveplane teilen möchten?

Diveplane ist all about sicherzustellen, dass KI richtig gemacht wird, während sie sich verbreitet. Wir sind für faire, transparente und verständliche KI, proaktiv zeigen, was Entscheidungen antreibt, und bewegen uns weg von der “Black-Box-Mentalität” in KI, die das Potenzial hat, unfair, unethisch und voreingenommen zu sein. Wir glauben, dass Erklärbarkeit die Zukunft von KI ist und wir freuen uns, eine wichtige Rolle bei der Förderung davon zu spielen!

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Diveplane besuchen.