साक्षात्कार
रोशनाक हौमैनफर, इंटीग्रेट.एआई में मशीन लर्निंग प्रोडक्ट्स के वीपी – साक्षात्कार श्रृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
रोशनाक (रो) हौमैनफर इंटीग्रेट.एआई के लिए मशीन लर्निंग प्रोडक्ट्स के वीपी हैं, जो एक कंपनी है जो डेवलपर्स को संवेदनशील डेटा को जोखिम में डाले बिना दुनिया की सबसे महत्वपूर्ण समस्याओं का समाधान करने में मदद करती है। रो की विशेष प्रतिभा है जटिल एआई अवधारणाओं को सरल बनाने और उन्हें उपयोगकर्ता की आवश्यकताओं से जोड़ने की। इस विशेषज्ञता का लाभ उठाते हुए, वह इंटीग्रेट.एआई के मिशन में सबसे आगे हैं जो गोपनीयता-सुधार तकनीक तक पहुंच को लोकतांत्रिक बनाने के लिए है।
आपको最初 में डेटा साइंस और मशीन लर्निंग में क्या आकर्षित किया?
मैंने अपनी यात्रा रोबोटिक्स में शुरू की। रोबोटिक्स के विभिन्न कोणों के साथ प्रयोग करने के बाद, और एक वेल्डिंग लैब को जलाने के बाद, मुझे एहसास हुआ कि मैं अपने क्षेत्र के कृत्रिम बुद्धिमत्ता पक्ष में अधिक आकर्षित था, और इससे मुझे मशीन लर्निंग की अद्भुत दुनिया में ले जाया गया।
क्या आप अपनी वर्तमान भूमिका का वर्णन कर सकते हैं और आपके लिए एक औसत दिन कैसा दिखता है?
मैं इंटीग्रेट.एआई में प्रोडक्ट के वीपी हूं, जो एक सास कंपनी है जो डेवलपर्स को दुनिया की सबसे महत्वपूर्ण समस्याओं का समाधान करने में मदद करती है बिना संवेदनशील डेटा को जोखिम में डाले। हम गोपनीयता-सुरक्षित मशीन लर्निंग और वितरित डेटा के भविष्य के लिए विश्लेषण के लिए उपकरण बना रहे हैं।
मेरे दैनिक कार्य में, मैं अपनी टीमों के साथ मिलकर तीन चीजों को प्राप्त करने के लिए काम करता हूं:
भविष्य की बुद्धिमत्ता क्या दिख सकती है और हम उस भविष्य को कैसे आकार दे सकते हैं ताकि बुद्धिमत्ता सबसे महत्वपूर्ण समस्याओं का समाधान कर सके।
हमारे ग्राहकों की दर्दनाक बिंदुओं को समझना और हम कैसे नवाचार कर सकते हैं ताकि उनका काम अधिक प्रभावी और कुशल हो।
सुनिश्चित करना कि हमारी दृष्टि और ग्राहक प्रतिक्रिया हमेशा उत्पाद विकास में विचार किया जाता है, हमारी टीमों के साथ सहयोग से काम करते हुए सर्वोत्तम सुविधाओं को वितरित करना।
सिंथेटिक डेटा वर्तमान में मशीन लर्निंग में सभी को आकर्षित कर रहा है, लेकिन इंटीग्रेट.एआई एक थोड़ा विपरीत दृष्टिकोण लेता है। सिंथेटिक डेटा के लिए कुछ अनुप्रयोग कहां हैं जहां यह एक वांछनीय विकल्प नहीं हो सकता है?
सिंथेटिक डेटा का उपयोग कब नहीं करना चाहिए, यह समझने के लिए पहले यह समझना महत्वपूर्ण है कि यह कब सबसे अच्छा है। सिंथेटिक डेटा तब सबसे अच्छा होता है जब मॉडलिंग लक्ष्य के लिए या तो बहुत कम वास्तविक डेटा उपलब्ध होता है या बिल्कुल नहीं – उदाहरण के लिए, कोल्ड-स्टार्ट समस्याओं और पाठ- और छवि-आधारित मॉडल प्रशिक्षण में। कभी-कभी, बस पर्याप्त डेटा नहीं होता है जो एक मॉडल को प्रशिक्षित करने के लिए आवश्यक है, जो सिंथेटिक डेटा को एक समाधान के रूप में चमकता है।
हालांकि, सिंथेटिक डेटा का उपयोग बढ़ते रूप से उन स्थितियों में किया जा रहा है जहां वास्तविक डेटा की प्रचुर मात्रा मौजूद है, लेकिन उस डेटा को गोपनीयता नियमन, केंद्रीकरण लागत या अन्य अंतर-संचालन बाधाओं के कारण सिलो में रखा जाता है। यह सिंथेटिक डेटा का एक धूम्रपान करने वाला दुरुपयोग है। इन उपयोग के मामलों में, सिंथेटिक डेटा निर्माण के लिए सही स्तर के अमूर्तता का निर्धारण करना मुश्किल है, जिसके परिणामस्वरूप कम गुणवत्ता वाला सिंथेटिक डेटा हो सकता है जो आगे की समस्याओं का कारण बन सकता है जो डीबग करने में मुश्किल हैं। इसके अलावा, सिंथेटिक डेटा पर प्रशिक्षित मॉडल वास्तविक, उच्च-गुणवत्ता, विस्तृत स्रोत डेटा पर प्रशिक्षित मॉडल की तुलना में नहीं करते हैं।
इंटीग्रेट.एआई संघीय सीखने के समाधान प्रदान करने में माहिर है, आप संघीय सीखने का वर्णन कर सकते हैं?
पारंपरिक मशीन लर्निंग में, सभी मॉडल प्रशिक्षण डेटा को एक डेटाबेस में केंद्रीकृत करना होगा। संघीय सीखने के साथ, मॉडल विकेंद्रीकृत, वितरित डेटासेट पर प्रशिक्षित हो सकते हैं – या डेटा जो दो या दो से अधिक अलग डेटाबेस में रहता है और आसानी से ले जाया नहीं जा सकता है। यह कैसे काम करता है कि मॉडल के हिस्से डेटा के स्थान पर प्रशिक्षित होते हैं, और मॉडल पैरामीटर भागीदार डेटासेट के बीच साझा किए जाते हैं ताकि एक सुधारित वैश्विक मॉडल का उत्पादन किया जा सके। और चूंकि डेटा प्रणाली के भीतर नहीं चलता है, संगठन गोपनीयता और सुरक्षा नियमों के बिना मॉडल प्रशिक्षित कर सकते हैं, लागत या अन्य केंद्रीकरण चिंताओं के बिना।
आम तौर पर, संघीय सीखने के साथ सुलभ प्रशिक्षण डेटा की गुणवत्ता भी बहुत अधिक होती है, क्योंकि केंद्रीकृत डेटा आमतौर पर एक स्थान में आसानी से पहुंच की कीमत पर अपनी कुछ विस्तार को खो देता है।
एक उद्यम संघीय सीखने के लिए सर्वोत्तम उपयोग के मामलों की पहचान कैसे कर सकता है?
संघीय सीखना एक मशीन लर्निंग तकनीक है जो उन स्थितियों के लिए बनाई गई है जहां डेटा तक पहुंच या इसे पारंपरिक मशीन लर्निंग के केंद्रीकृत डेटा लेक में लाना मुश्किल है। यदि आप निम्नलिखित में से किसी भी लक्षण का अनुभव कर रहे हैं, तो संघीय सीखना आपके लिए है:
- आप स्मार्ट उत्पादों को विश्लेषण और मशीन लर्निंग द्वारा संचालित करते हैं और आप अपने उत्पादों के लिए नेटवर्क प्रभाव नहीं बना सकते क्योंकि डेटा आपके ग्राहकों द्वारा स्वामित्व में है।
- आप अपने भागीदारों से डेटा प्राप्त करने के लिए लंबे मास्टर सेवा समझौतों या डेटा-साझाकरण समझौतों के माध्यम से काम कर रहे हैं।
- आप अपने भागीदारों के साथ सहयोग अनुबंध बनाने में बहुत समय बिता रहे हैं, विशेष रूप से उन स्थितियों में जहां डेटा साझाकरण साझेदारी का परिणाम आपके लिए अस्पष्ट है।
- आप एक बड़े डेटासेट पर बैठे हैं और अपने डेटासेट को मुद्रीकृत करना चाहते हैं लेकिन अपनी प्रतिष्ठा के लिए परिणामों से डरते हैं।
- आप पहले से ही अपने डेटा को मुद्रीकृत कर रहे हैं, लेकिन आप इसे साझा करने के लिए सुरक्षित बनाने में बहुत समय, प्रयास और पैसा खर्च कर रहे हैं।
- आपकी बुनियादी ढांचा बादल में स्थानांतरण के दौरान पीछे छूट गई है, लेकिन आपको अभी भी विश्लेषण और मशीन लर्निंग की आवश्यकता है।
- आपके पास एक ही संगठन से संबंधित कई सहायक कंपनियां हैं जो सीधे एक दूसरे के साथ डेटा साझा नहीं कर सकती हैं।
- आपके द्वारा सौदा किए जाने वाले डेटासेट बहुत बड़े या महंगे हैं ताकि उन्हें ले जाया जा सके, इसलिए आपने या तो उनका उपयोग करने से इनकार कर दिया है या आपके ईटीएल पाइपलाइनें आपको बहुत पैसा खर्च कर रही हैं।
- आपके पास एक ऐसा अनुप्रयोग या अवसर है जिसे आप महत्वपूर्ण प्रभाव डालने के लिए मानते हैं, लेकिन आपके पास इसे साकार करने के लिए स्वयं डेटा नहीं है।
- आपके मशीन लर्निंग मॉडल ने अपनी प्रगति को रोक दिया है और आप नहीं जानते कि उन्हें और कैसे सुधारा जाए।
डिफरेंशियल गोपनीयता का अक्सर संघीय सीखने के साथ उपयोग किया जाता है, यह विशेष रूप से क्या है?
डिफरेंशियल गोपनीयता एक तकनीक है जो गोपनीयता को सुनिश्चित करते हुए साथ ही मशीन लर्निंग की शक्ति का दोहन करने के लिए है। मानक गुमनामीकरण तकनीकों की तुलना में अलग गणित का उपयोग करते हुए, डिफरेंशियल गोपनीयता स्थानीय मॉडल प्रशिक्षण के दौरान शोर जोड़ती है, जो डेटासेट की अधिकांश सांख्यिकीय विशेषताओं को संरक्षित करती है जबकि जोखिम को सीमित करती है कि किसी व्यक्ति का डेटा पहचाना जा सकता है।
आदर्श लागू करने में, डिफरेंशियल गोपनीयता जोखिम को लगभग शून्य तक ले जाती है, जबकि मशीन लर्निंग मॉडल समान प्रदर्शन बनाए रखते हैं – डेटा गुमनामीकरण के लिए आवश्यक सभी सुरक्षा प्रदान करते हुए मॉडल परिणामों की गुणवत्ता को कम किए बिना।
डिफरेंशियल गोपनीयता डिफ़ॉल्ट रूप से इंटीग्रेट.एआई के प्लेटफ़ॉर्म में शामिल की जाती है, ताकि डेवलपर्स यह सुनिश्चित कर सकें कि उनके मॉडल पैरामीटर से व्यक्तिगत डेटा का अनुमान नहीं लगाया जा सकता है।
आप इंटीग्रेट.एआई के संघीय सीखने के प्लेटफ़ॉर्म के काम करने का वर्णन कर सकते हैं?
हमारा प्लेटफ़ॉर्म संघीय सीखने और डिफरेंशियल गोपनीयता प्रौद्योगिकियों का लाभ उठाता है ताकि संवेदनशील डेटा पर मशीन लर्निंग और विश्लेषण की एक श्रृंखला को अनलॉक किया जा सके जो अन्यथा गोपनीयता, गोपनीयता या तकनीकी बाधाओं के कारण पहुंच योग्य या असंभव हो सकता है। ऑपरेशन जैसे मॉडल प्रशिक्षण और विश्लेषण स्थानीय रूप से किए जाते हैं, और केवल अंतिम परिणाम एक सुरक्षित और गोपनीय तरीके से एकत्रित किए जाते हैं।
इंटीग्रेट.एआई को एक डेवलपर उपकरण के रूप में पैक किया गया है, जो डेवलपर्स को लगभग किसी भी समाधान में इन क्षमताओं को निर्बाध रूप से एकीकृत करने की अनुमति देता है, जिसमें एक आसान-से-उपयोग सॉफ़्टवेयर विकास किट (एसडीके) और अंत-से-अंत प्रबंधन के लिए एक सहायक क्लाउड सेवा शामिल है। एक बार प्लेटफ़ॉर्म एकीकृत हो जाने के बाद, अंतिम उपयोगकर्ता संवेदनशील डेटा सेट पर सहयोग कर सकते हैं जबकि कस्टोडियन पूर्ण नियंत्रण बनाए रखते हैं। इंटीग्रेट.एआई को शामिल करने वाले समाधान प्रभावी प्रयोग उपकरण और उत्पादन-तैयार सेवाओं के रूप में कार्य कर सकते हैं।
सटीक निदान में इस प्लेटफ़ॉर्म का उपयोग करने के कुछ उदाहरण क्या हैं?
हम जिन भागीदारों के नेटवर्क के साथ काम कर रहे हैं, उनमें से एक, ऑटिज़म शेयरिंग इश्यूज़, ऑटिज़्म निदान से संबंधित जानकारी एकत्र करता है, साथ ही जीनोम डेटा के नमूने भी एकत्र करता है ताकि विभिन्न जीनोटाइप और फेनोटाइप के ऑटिज़्म निदान से संबंध को समझा जा सके। प्रत्येक व्यक्तिगत डेटा साइट के पास पर्याप्त डेटासेट नहीं है जो मशीन लर्निंग मॉडल को प्रदर्शन करने के लिए पर्याप्त हो, लेकिन सामूहिक रूप से वे एक महत्वपूर्ण नमूना आकार बनाते हैं। हालांकि, डेटा को स्थानांतरित करने से सुरक्षा और गोपनीयता का उच्च जोखिम होता है, और नियमों और अस्पताल की नीतियों के कारण, ये शोध संस्थान हमेशा साझा करने से इनकार करते हैं।
एक अलग नेटवर्क में, एक समान सेटअप के साथ, शोधकर्ता रोगियों को क्लिनिकल परीक्षणों के लिए एक अधिक समग्र दृष्टिकोण का उपयोग करके असाइन करने में सुधार करने में रुचि रखते हैं।
शामिल विभिन्न शोध संस्थानों के पास प्रत्येक रोगी के बारे में विभिन्न जानकारी तक पहुंच है – एक प्रयोगशाला के पास उनके चिकित्सा स्कैन तक पहुंच है, दूसरे प्रयोगशाला के पास उनके जीनोमिक डेटा तक पहुंच है, और एक अन्य संस्थान के पास उनके क्लिनिकल परीक्षण परिणाम हैं। लेकिन ये विभिन्न संगठन सीधे एक दूसरे के साथ जानकारी साझा नहीं कर सकते हैं।
इंटीग्रेट.एआई के समाधान के साथ, प्रत्येक संगठन अपने उद्देश्यों के लिए एक दूसरे के डेटा तक पहुंच प्राप्त कर सकता है बिना डेटा को डेटा कस्टोडियन से दूर ले जाए और इसलिए उनकी आंतरिक नीतियों का पालन किए बिना।
क्या आप गोपनीयता को समझने योग्य बनाने के महत्व पर चर्चा कर सकते हैं और इंटीग्रेट.एआई यह कैसे सुविधा प्रदान करता है?
गोपनीयता को समझने योग्य बनाने का अर्थ है कई दरवाजे खोलना जो ऐतिहासिक रूप से जोखिम की अस्पष्ट प्रकृति के कारण बंद थे। जीडीपीआर, सीसीपीए और हिप्पा जैसे गोपनीयता नियमों को समझना बहुत जटिल हो सकता है और यह उद्योग, क्षेत्र और डेटा प्रकार के आधार पर भिन्न हो सकता है, जिससे संगठनों के लिए यह निर्धारित करना मुश्किल हो जाता है कि कौन से डेटा परियोजनाएं गोपनीयता-सुरक्षित हैं। इसके बजाय हर बॉक्स की जांच करने में समय और मानव शक्ति बर्बाद करने के बजाय, इंटीग्रेट.एआई के संघीय सीखने के प्लेटफ़ॉर्म में निर्मित डिफरेंशियल गोपनीयता, होमोमोर्फिक एन्क्रिप्शन और सुरक्षित बहु-पक्षीय गणना है, ताकि डेवलपर और डेटा कस्टोडियन यह जानकर आराम कर सकें कि उनकी परियोजनाएं नियमों के अनुरूप होंगी, बिना प्रत्येक श्रेणीबद्ध छेद के माध्यम से कूदे।
क्या इंटीग्रेट.एआई के बारे में और कुछ है जो आप साझा करना चाहेंगे?
इंटीग्रेट.एआई का समाधान एक अविश्वसनीय रूप से डेवलपर-अनुकूल उपकरण है जो संवेदनशील डेटा स्रोतों पर अनुपालन, गोपनीयता-संरक्षित और सुरक्षित मशीन लर्निंग और विश्लेषण की अनुमति देता है। सरल-से-उपयोग एपीआई के माध्यम से, संवेदनशील डेटा पर सभी जटिलता नियमों का अनुपालन और अनुबंध स्वचालित रूप से दूर हो जाती है। इंटीग्रेट.एआई का समाधान डेटा वैज्ञानिकों और सॉफ़्टवेयर डेवलपर्स को अपने वर्कलोड को सुरक्षित रूप से प्रबंधित करने की अनुमति देता है जो उनके वर्तमान बुनियादी ढांचे और कार्य प्रवाह पर न्यूनतम प्रभाव डालता है।
साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें इंटीग्रेट.एआई पर जाना चाहिए。
