Mike Capps, Diveplanen perustaja ja toimitusjohtaja – Haastattelusarja

Tohtori Michael Capps on tunnettu teknologiavaikuttaja ja Diveplane Corporationin toimitusjohtaja. Ennen Diveplanen perustamista Mike oli legendanomainen ura videopeliteollisuudessa Epic Gamesin puheenjohtajana, joka on luonut menestyspelejä kuten Fortnite ja Gears of War. Hänen kautensa sisälsi sata vuoden pelipalkintoa, kymmeniä konferenssiesitelmiä, elinikäisen saavutuspalkinnon ja onnistuneen vapauspuolustuksen Yhdysvaltain korkeimmassa oikeudessa.

Diveplane tarjoaa tekoälypohjaisia liiketoimintaratkaisuja useille aloille. Kuuden patentin hyväksymisen ja useiden odottavien patenttien kanssa Diveplanen Ymmärrettävä Tekoäly tarjoaa täydellisen ymmärryksen ja päätösten avoimuuden etiikan ja tietosuojapolitiikkojen tueksi.

Onnistuit eläkkeelle siirtymisessä menestyksekkäästä urasta videopeliteollisuudessa Epic Gamesissa, mikä sai sinut palaamaan eläkkeeltä ja keskittymään tekoälyyn?

Pelikehitys oli hauskaa, mutta ei ollut uralla parasta valintaa perheen kanssa. Piti itseään kiireisenä hallitusten ja neuvonantajien tehtävissä, mutta se ei ollut täyttävää. Tein listan kolmesta suuresta ongelmasta, joihin voisin vaikuttaa – mukaan lukien mustan laatikon tekoälyjärjestelmien leviäminen. Suunnitelmani oli viettää vuosi kussakin ongelman parissa, mutta muutamassa viikossa ystäväni Chris Hazard kertoi, että hän oli työskennellyt salaa avoimen ja täysin selitettävissä olevan tekoälyalustan parissa. Ja tässä olemme.

Diveplane perustettiin tehtävänä tuoda inhimillisyyttä tekoälyyn, voitko selittää tarkemmin, mitä tämä tarkoittaa?

Tässä käytämme inhimillisyyttä tarkoittaen “ihmisenkaltaisuutta” tai “myötätuntoa”. Varmistamaan, että parasta inhimillisyyttä on tekoälymallissa, et voi vain kouluttaa, testata vähän ja toivoa, että se on ok.

Meidän on tarkasteltava huolellisesti syötteenä olevaa dataa, itse mallia ja mallin tulostetta, ja varmistettava, että se heijastaa parasta inhimillisyyttämme. Useimmat järjestelmät, jotka on koulutettu historialla tai todellisella datasta, eivät välttämättä ole oikein ensimmäisellä kerralla, eivätkä ne välttämättä ole puolueettomia. Uskomme, että ainoastaan läpinäkyvyyden, tarkastettavuuden ja ihmisen ymmärrettävissä olevan selityksen yhdistelmä voi juuria esiin mallin harhan ja ennakkoasenteen.

REACTOR on Diveplanen ydinTeknologia, mitä tekee siitä uudenlaisen lähestymistavan tekoälyn selitettävyyteen?

Tekoälyyn liittyvät tyypillisesti datan käyttäminen mallin rakentamiseen, joka tekee tietynlaisia päätöksiä. Päätökset voivat sisältää esimerkiksi ajonopeuden muuttamisen, luottamuksen hyväksymisen tai hylkäämisen tai tuotteen suosittelemisen. Jos haluat tietää, miten malli teki päätöksen, sinun on tyypillisesti kysyttävä useita samanlaisia päätöksiä ja yritettävä uudelleen arvioida, mitä malli itse tekisi. Tekoälytekniikoissa on rajoituksia siinä, mitä näkemyksiä ne voivat tarjota, ja ne voivat olla vähemmän tarkkoja.

REACTOR toimii eri tavalla. REACTOR karakterisoi datan epävarmuuden, ja datasta tulee malli. Sen sijaan, että rakennetaan yksi malli päätöksen tyypille, voit vain kysyä REACTORilta, mitä haluat sen päättävän – se voi olla mitä tahansa dataan liittyvää – ja REACTOR kysyy, mitä dataa tarvitaan päätöksen tekemiseen. REACTOR voi aina näyttää, mitä dataa se käytti, miten se liittyy vastaukseen, kaikki epävarmuuden, vastakkaisen päättelyn ja lähes minkä tahansa muun kysymyksen, jonka haluat kysyä. Koska data on malli, voit muokata dataa, ja REACTOR päivittyy välittömästi. Se voi näyttää, jos joku data näytti poikkeavalta, joka meni päätökseen, ja jäljittää jokaisen muokkauksen datan ja sen lähteen. REACTOR käyttää todennäköisyysteoriaa kaikissa toimissaan, mikä tarkoittaa, että voimme kertoa sinulle, mitä yksikköä mitattavaa jokainen osa sen toiminnasta on. Ja lopulta, voit toistaa ja vahvistaa minkä tahansa päätöksen käyttämällä vain dataa, joka johti päätökseen, ja epävarmuuksia, käyttämällä suhteellisen yksinkertaista matematiikkaa ilman, että tarvitsee edes REACTORia.

REACTOR pystyy tekemään kaiken tämän säilyttäen kilpailukykyisen tarkkuuden erityisesti pienillä ja harvoilla datajoukoilla.

GEMINAI on tuote, joka luo digitaalisen kaksoiskappaleen datasetistä, mitä tämä tarkoittaa tarkemmin ja miten se varmistaa tietosuojan?

Kun syötät GEMINAI:lle datasetin, se luo syvän ymmärryksen datan tilastollisesta muodosta. Voit käyttää sitä luomaan synteettisen kaksoiskappaleen, joka muistuttaa alkuperäisen datan rakennetta, mutta kaikki rekisterit ovat uudelleen luotuja. Mutta tilastollinen muoto on sama. Esimerkiksi potilaiden syke alkuperäisessä ja synteettisessä joukossa olisi lähes sama, kuten kaikki muut tilastot. Näin ollen, mikä tahansa data-analyysi, jota käytetään kaksoiskappaleeseen, antaisi saman vastauksen kuin alkuperäinen data, mukaan lukien tekoälymallien koulutus.

Ja jos joku on rekisteröity alkuperäiseen dataan, ei ole rekisteröintiä synteettiseen kaksoiskappaleeseen. Emme vain poista nimeä – me varmistamme, ettei ole uutta rekisteröintiä, joka on “lähellä” alkuperäistä rekisteröintiä (ja kaikkia muita) tiedon avaruudessa. Eli ei ole rekisteröintiä, joka on tunnistettavissa sekä alkuperäisessä että synteettisessä joukossa.

Ja se tarkoittaa, että synteettinen datajoukko voidaan jakaa vapaammin ilman, että siinä on vaaraa jakaa luottamuksellista tietoa väärin. Ei ole väliä, onko kyse henkilökohtaisista raha-asioista, potilastiedosta, luokitellusta datasta – kunhan tilastot eivät ole luottamuksellisia, synteettinen kaksoiskappale ei ole luottamuksellinen.

Miksi GEMINAI on parempi ratkaisu kuin differentiaalinen yksityisyys?

Differentiaalinen yksityisyys on joukko tekniikoita, jotka pitävät yksittäisen henkilön vaikutusta tilastoihin marginaalisena, ja se on perustavanlaatuinen osa lähes missä tahansa tietosuojaratkaisussa. Kun differentiaalista yksityisyyttä käytetään yksin, tietojen yksityisyysbudjetti on hallittava, ja riittävä määrä melua on lisättävä kunkin kyselyyn. Kun budjetti on käytetty, dataa ei voida enää käyttää ilman, että siinä on yksityisyydellisiä riskejä.

Yksi tapa voittaa tämän budjetin on soveltaa koko yksityisyysbudjetti kerran tekoälymallin koulutukseen, joka tuottaa synteettistä dataa. Ajatus on, että tämä malli, joka on koulutettu differentiaalisella yksityisyydellä, voidaan käyttää suhteellisen turvallisesti. Kuitenkin differentiaalisen yksityisyyden oikea soveltaminen voi olla hankalaa, erityisesti, jos on erilaisia datamääriä eri henkilöille ja monimutkaisempia suhteita, kuten ihmisiä, jotka asuvat samassa talossa. Ja synteettinen data, jota tuotetaan tästä mallista, on usein todennäköisesti sisältää, sattumalta, oikeaa dataa, jonka yksittäinen henkilö voi väittää olevan omaansa, koska se on liian samanlaista.

GEMINAI ratkaisee nämä ongelmat ja enemmän yhdistämällä useita yksityisyystekniikoita datan synteettisessä muodostamisessa. Se käyttää käytännöllistä differentiaalista yksityisyyttä, joka voi sopeutua laajaan joukkoon datatyyppien. Se perustuu REACTOR-moottoriimme, joten se tietää myös todennäköisyyden, että jotkut datan osat voivat olla sekoitettavissa toisiinsa, ja synteettinen data tuotetaan siten, että se on aina riittävän erilainen alkuperäisestä datasta. Lisäksi se kohdeltaa jokaista kenttää, jokaista dataa potentiaalisesti arkaluontoisena tai tunnistavana, joten se soveltaa käytännöllisiä differentiaalisen yksityisyyden muotoja kentille, jotka eivät välttämättä ole perinteisesti ajateltu arkaluontoisiksi, mutta voivat yksistään tunnistaa yksittäisen henkilön, kuten ainoastaan yksi transaktio 24-tunnin myymälässä kello 2-3 välisenä aikana. Usein viittaamme tähän “yksityisyyden ristileikkaamisena”.

GEMINAI pystyy saavuttamaan korkean tarkkuuden lähes minkä tahansa tarkoituksen, joka näyttää alkuperäiseltä data, mutta estää kenenkään löytämästä synteettistä dataa, joka on liian samanlainen.

Diveplane oli avainroolissa Data & Trust Allianssin perustamisessa, mitä tämä allianssi on?

Se on erinomainen joukko teknologiayritysten toimitusjohtajia, jotka tekevät yhteistyötä vastuullisten datan ja tekoälyn käytännön kehittämiseksi ja omaksumiseksi. Maailmanluokan organisaatiot kuten IBM, Johnson & Johnson, Mastercard (MA ), UPS, Walmart (WMT ) ja Diveplane. Olemme erittäin ylpeitä siitä, että olemme olleet mukana varhaisissa vaiheissa, ja myös ylpeitä työstä, jonka olemme yhdessä saavuttaneet aloitteissamme.

Diveplane onnistui keräämään menestyksekkään A-sarjan rahoituksen, mitä tämä tarkoittaa yrityksen tulevaisuudelle?

Olemme olleet onnekkaat menestyksekkäissä yrityshankkeissamme, mutta on vaikea muuttaa maailmaa yksi yritys kerrallaan. Käytämme tätä tukea rakentamaan tiimiämme, jakamaan viestimme ja saamaan Ymmärrettävän Tekoälyn mahdollisimman moniin paikkoihin!

Onko mitään muuta, mitä haluaisit jakaa Diveplanesta?

Diveplane on kaiken aikaa varmistamassa, että tekoäly tehdään oikein, kun se leviää. Olemme reilun, avoimen ja ymmärrettävän tekoälyn puolesta, ja osoittamassa proaktiivisesti, mitä ajaa päätöksiä, ja irtautumassa “mustan laatikon” tekoälymentaliteetista, jolla on potentiaali olla epäreilu, epäeettinen ja harhaanjohtava. Uskomme, että Selitettävyys on tekoälyn tulevaisuus, ja olemme innoissamme siitä, että pääsemme pelaamaan ratkaisevaa roolia sen edistämisessä!

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Diveplanen sivustolla.