एमी स्टीयर, ग्रेटेल.एआई में प्रधान मशीन लर्निंग वैज्ञानिक - साक्षात्कार श्रृंखला

एमी स्टीयर प्रिंसिपल मशीन लर्निंग साइंटिस्ट हैं ग्रेटेल.एआई, दुनिया का सबसे उन्नत गोपनीयता इंजीनियरिंग प्लेटफ़ॉर्म। ग्रेटेल डेटा-संचालित प्रौद्योगिकी के ढांचे में डिज़ाइन द्वारा गोपनीयता को एम्बेड करना आसान बनाता है। इसकी एआई-आधारित, ओपन-सोर्स लाइब्रेरी संवेदनशील जानकारी को बदलने, गुमनाम करने और संश्लेषित करने के लिए डिज़ाइन की गई है।

एमी 20 से अधिक वर्षों के अनुभव के साथ एक अत्यधिक निपुण मशीन लर्निंग और डेटा वैज्ञानिक हैं। उनका जुनून बड़ा डेटा है और मशीन लर्निंग, डेटा माइनिंग, कृत्रिम बुद्धिमत्ता और सांख्यिकी की तकनीकों का उपयोग करके छिपी हुई बुद्धिमत्ता को सामने लाना है। वह पूर्वानुमानित मॉडलिंग, वर्गीकरण, क्लस्टरिंग, विसंगति का पता लगाने, डेटा विज़ुअलाइज़ेशन, संयोजन विधियों, सूचना पुनर्प्राप्ति, साइबर सुरक्षा विश्लेषण, एनएलपी, अनुशंसा मॉडल और उपयोगकर्ता व्यवहार विश्लेषण में अत्यधिक कुशल है।

कंप्यूटर विज्ञान और मशीन लर्निंग में करियर बनाने के लिए सबसे पहले किस चीज़ ने आपको आकर्षित किया?

डेटा के प्रति मेरा सरासर, निःसंकोच, स्थायी प्रेम। डेटा की शक्ति, रहस्य, साज़िश और क्षमता ने मुझे हमेशा आकर्षित किया है। कंप्यूटर विज्ञान और मशीन लर्निंग उस क्षमता का दोहन करने के उपकरण हैं। ऐसे क्षेत्र में काम करना भी बेहद मजेदार है जहां अत्याधुनिक तकनीक इतनी तेजी से आगे बढ़ती है। मुझे अनुसंधान और उत्पाद का अंतर्संबंध पसंद है। अत्याधुनिक विचारों को लेना, उन्हें थोड़ा और आगे बढ़ाना और फिर उन्हें मौजूदा, ठोस उत्पाद आवश्यकताओं के अनुरूप ढालना बहुत संतोषजनक है।

जो पाठक अपरिचित हैं, क्या आप बता सकते हैं कि सिंथेटिक डेटा क्या है?

सिंथेटिक डेटा वह डेटा है जो मूल डेटा की तरह दिखता है और कार्य करता है लेकिन इतना भिन्न भी होता है कि यह कुछ उपयोग के मामलों को संतुष्ट करता है। सबसे आम उपयोग का मामला मूल डेटा में जानकारी की गोपनीयता की रक्षा करने की आवश्यकता है। एक अन्य उपयोग मामला मूल डेटासेट के आकार को बढ़ाने के लिए अतिरिक्त डेटा बनाने की आवश्यकता है। फिर भी एक अन्य उपयोग का मामला मूल डेटा सेट में वर्ग असंतुलन या शायद जनसांख्यिकीय पूर्वाग्रह को संबोधित करने में मदद करना है।

सिंथेटिक डेटा हमें नए और नवोन्मेषी उत्पादों और समाधानों को विकसित करना जारी रखने की अनुमति देता है, जब अन्यथा ऐसा करने के लिए आवश्यक डेटा मौजूद या उपलब्ध नहीं होता।

ग्रेटेल प्लेटफ़ॉर्म एपीआई के माध्यम से सिंथेटिक डेटा बनाने के लिए कैसे काम करता है?

ग्रेटेल गोपनीयता इंजीनियरिंग एपीआई आपको ग्रेटेल में डेटा अंतर्ग्रहण करने और उस डेटा का पता लगाने की अनुमति देती है जिसे हम निकालने में सक्षम हैं। ये वही API हैं जिनका उपयोग हम करते हैं कंसोल. एक सहज इंटरफ़ेस के माध्यम से एपीआई को उजागर करके, हम डेवलपर्स और डेटा वैज्ञानिकों को ग्रेटेल के आसपास अपने स्वयं के वर्कफ़्लो बनाने के लिए सशक्त बनाने की उम्मीद करते हैं।

जबकि कंसोल सिंथेटिक डेटा बनाना बहुत आसान बनाता है, एपीआई आपको सिंथेटिक डेटा के निर्माण को अपने वर्कफ़्लो में एकीकृत करने में सक्षम बनाता है। मुझे एपीआई का उपयोग करना पसंद है क्योंकि यह मुझे सिंथेटिक डेटा के निर्माण को एक विशेष उपयोग के मामले में अनुकूलित करने में सक्षम बनाता है।

क्या आप सिंथेटिक डेटा की गुणवत्ता का आकलन करने में सहायता के लिए ग्रेटेल द्वारा पेश किए गए कुछ टूल पर चर्चा कर सकते हैं?

सिंथेटिक डेटा के निर्माण के बाद, ग्रेटेल एक सिंथेटिक रिपोर्ट तैयार करेगा। इस रिपोर्ट में आप देख सकते हैं सिंथेटिक डेटा गुणवत्ता स्कोर (एसक्यूएस), साथ ही गोपनीयता सुरक्षा स्तर ग्रेड (पीपीएल)।

एसक्यूएस स्कोर इस बात का अनुमान है कि उत्पन्न सिंथेटिक डेटा मूल डेटासेट के समान सांख्यिकीय गुणों को कितनी अच्छी तरह बनाए रखता है। इस अर्थ में, एसक्यूएस स्कोर को उपयोगिता स्कोर या आत्मविश्वास स्कोर के रूप में देखा जा सकता है कि क्या सिंथेटिक डेटासेट से निकाले गए वैज्ञानिक निष्कर्ष समान होंगे यदि किसी ने इसके बजाय मूल डेटासेट का उपयोग किया होता।

सिंथेटिक डेटा गुणवत्ता स्कोर की गणना व्यक्तिगत गुणवत्ता मेट्रिक्स को मिलाकर की जाती है: फ़ील्ड वितरण स्थिरता, फ़ील्ड सहसंबंध स्थिरता और गहरी संरचना स्थिरता।

फ़ील्ड वितरण स्थिरता इस बात का माप है कि सिंथेटिक डेटा मूल डेटा के समान फ़ील्ड वितरण को कितनी अच्छी तरह बनाए रखता है। फ़ील्ड सहसंबंध स्थिरता इस बात का माप है कि सिंथेटिक डेटा में फ़ील्ड के बीच सहसंबंध कितने अच्छे बनाए रखे गए थे। और अंत में डीप स्ट्रक्चर स्टेबिलिटी गहरे, बहु-क्षेत्रीय वितरण और सहसंबंधों की सांख्यिकीय अखंडता को मापती है। इसका अनुमान लगाने के लिए, ग्रेटेल पहले मूल डेटा पर गणना किए गए प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) की तुलना करता है, फिर सिंथेटिक डेटा पर।

ग्रेटेल गोपनीयता फ़िल्टर कैसे काम करते हैं?

RSI ग्रेटेल गोपनीयता फ़िल्टर सिंथेटिक डेटा पर प्रतिकूल हमलों की प्रकृति पर बहुत अधिक शोध की परिणति थी। गोपनीयता फ़िल्टर सिंथेटिक डेटा के निर्माण को रोकते हैं, जिसकी कमज़ोरियाँ आमतौर पर विरोधियों द्वारा शोषण की जाती हैं। हमारे पास दो गोपनीयता फ़िल्टर हैं, पहला समानता फ़िल्टर है, और दूसरा आउटलायर फ़िल्टर है। समानता फ़िल्टर सिंथेटिक रिकॉर्ड के निर्माण को रोकता है जो एक प्रशिक्षण रिकॉर्ड के समान होते हैं। ये मूल डेटा में अंतर्दृष्टि प्राप्त करने के इच्छुक विरोधियों के प्रमुख लक्ष्य हैं। दूसरा गोपनीयता फ़िल्टर आउटलायर फ़िल्टर है। यह सिंथेटिक रिकॉर्ड के निर्माण को रोकता है जिसे प्रशिक्षण डेटा द्वारा परिभाषित स्थान में बाहरी माना जाएगा। सिंथेटिक डेटासेट में प्रकट किए गए आउटलेर्स का उपयोग सदस्यता अनुमान हमलों, विशेषता अनुमान और अन्य प्रतिकूल हमलों की एक विस्तृत विविधता द्वारा किया जा सकता है। वे एक गंभीर गोपनीयता जोखिम हैं.

सिंथेटिक डेटा एआई पूर्वाग्रह को कम करने में कैसे सहायता कर सकता है?

सबसे आम तकनीक एआई सिस्टम में डेटा फीडिंग के प्रतिनिधित्वात्मक पूर्वाग्रह को संबोधित करना है। उदाहरण के लिए, यदि आपके डेटा में एक मजबूत वर्ग असंतुलन है, या शायद आपके डेटा में जनसांख्यिकीय पूर्वाग्रह मौजूद है, तो ग्रेटेल पहले असंतुलन को मापने और फिर सिंथेटिक डेटा में इसे हल करने में मदद करने के लिए उपकरण प्रदान करता है। डेटा में पूर्वाग्रह को हटाकर, आप अक्सर डेटा पर निर्मित एआई सिस्टम में पूर्वाग्रह को हटा देते हैं।

आप स्पष्ट रूप से नई मशीन लर्निंग प्रौद्योगिकियों के बारे में सीखने का आनंद लेते हैं, आप व्यक्तिगत रूप से सभी परिवर्तनों के साथ कैसे तालमेल बिठाते हैं?

पढ़ो, पढ़ो, और फिर कुछ और पढ़ो, हाहाहा! मुझे अपने दिन की शुरुआत नई एमएल प्रौद्योगिकियों के बारे में पढ़ने से होती है। मीडियम मुझे बहुत अच्छी तरह से जानता है। मुझे टुवर्ड्स डेटा साइंस, एनालिटिक्स विद्या और द सीक्वेंस जैसे न्यूज़लेटर्स में लेख पढ़ने में आनंद आता है। Facebook AI, Google AI और OpenMined सभी के ब्लॉग बहुत अच्छे हैं। अनुसरण करने के लिए NeurIPS, ICML, ICLR, AISTATS जैसे ढेर सारे अच्छे सम्मेलन हैं।

मुझे ऐसे टूल भी पसंद हैं जो उद्धरण ट्रेल्स को ट्रैक करते हैं, आपको आपके पसंद के समान पेपर ढूंढने में मदद करते हैं और जो आपकी विशिष्ट रुचियों को जानते हैं और पृष्ठभूमि में हमेशा उस पेपर को देखते रहते हैं जिसमें आपकी रुचि हो सकती है। ज़ेटा अल्फ़ा एक ऐसा उपकरण है जिसका मैं बहुत उपयोग करता हूँ।

अंततः, आप वास्तव में समान रुचियों वाले सहकर्मियों के लाभ को कम नहीं आंक सकते। ग्रेटेल में, एमएल टीम हमारे द्वारा खोजे गए क्षेत्रों से संबंधित शोध पत्रों को ट्रैक करती है और दिलचस्प पेपरों पर चर्चा करने के लिए अक्सर एकत्रित होती है।

मशीन लर्निंग के भविष्य के बारे में आपका दृष्टिकोण क्या है?

डेटा तक आसान पहुंच मशीन लर्निंग में नवाचार के एक महान युग की शुरुआत करेगी जो स्वास्थ्य देखभाल, वित्त, विनिर्माण और बायोसाइंसेज जैसे क्षेत्रों के व्यापक स्पेक्ट्रम में नवाचार को बढ़ावा देगा। ऐतिहासिक रूप से, एमएल में कई अभूतपूर्व प्रगति का श्रेय बड़ी मात्रा में समृद्ध डेटा को दिया जा सकता है। फिर भी ऐतिहासिक रूप से, गोपनीयता संबंधी चिंताओं के कारण डेटा तक पहुंचने या साझा करने में असमर्थता के कारण बहुत से शोध बाधित हुए हैं। जैसे ही ग्रेटेल जैसे उपकरण इस बाधा को दूर करेंगे, डेटा तक पहुंच लोकतांत्रिक हो जाएगी। केवल कुछ विशिष्ट मेगा-कंपनियों के बजाय, संपूर्ण मशीन लर्निंग समुदाय को समृद्ध, बड़े डेटासेट तक पहुंच से लाभ होगा।

क्या ग्रेटेल के बारे में कुछ और है जो आप साझा करना चाहेंगे?

यदि आपको डेटा पसंद है, तो आप ग्रेटेल को पसंद करेंगे (तो स्पष्ट रूप से मुझे ग्रेटेल पसंद है!)। डेटा तक आसान पहुंच हर उस डेटा वैज्ञानिक के लिए परेशानी का सबब रही है, जिसे मैं अब तक जानता हूं। ग्रेटेल में, हम एक कंसोल और एपीआई का सेट बनाने में बहुत गर्व महसूस करते हैं जो निजी, साझा करने योग्य डेटा के निर्माण को यथासंभव सरल बनाता है। हमारा गहरा विश्वास है कि डेटा साझा किए जाने पर अधिक मूल्यवान होता है।

बेहतरीन साक्षात्कार और अपनी अंतर्दृष्टि साझा करने के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें अवश्य आना चाहिए ग्रेटेल.एआई.