マイク・キャップス、Diveplaneの共同創設者兼CEO – インタビュー・シリーズ

マイケル・キャップス博士は、有名なテクノロジストであり、Diveplane CorporationのCEOです。Diveplaneを共同創設する前に、マイクは、フォートナイトやギアーズ・オブ・ウォーのような大ヒット作を制作したEpic Gamesの社長として、ビデオゲーム業界で伝説的なキャリアを築きました。彼の在任期間中には、100以上のゲーム・オブ・ザ・イヤー賞、数多くのカンファレンスでの基調講演、ライフタイム・アチーブメント賞、そして米国最高裁判所でのビデオゲームの自由な発言のための成功した防衛が含まれていました。

Diveplaneは、複数の業界でAIを活用したビジネス・ソリューションを提供しています。6つの特許が承認され、複数の特許出願が進行中です。DiveplaneのUnderstandable AIは、倫理的なAIポリシーとデータプライバシー戦略をサポートするための、完全な理解と意思決定の透明性を提供します。

あなたはEpic Gamesでのビデオゲーム業界での成功したキャリアから引退しましたが、AIに焦点を当てるために復帰することに何がインスピレーションを与えましたか?

ゲームを作ることは楽しかったですが – 少なくとも当時 – 新しい家族を持つことには理想的なキャリアではありませんでした。私は取締役やアドバイザーの役割で忙しくしていましたが、満足感がありませんでした。そこで、私が影響を与えることができる世界の3つの大きな問題をリストアップし、その中にブラックボックス・AIシステムの普及が含まれていました。私の計画は、それぞれに1年を費やすことでしたが、数週間後、友人のChris Hazardが透明性のある、完全に説明可能なAIプラットフォームを秘密裏に開発していたことを教えてくれました。そこで、私たちはここにいます。

Diveplaneは、AIに人間性をもたらすという使命で始められました。具体的に何を意味するのかについて説明してください。

はい。ここで、人間性とは「人間らしさ」または「共感」を意味します。AIモデルに人間の最良の部分を入れるには、単にトレーニングを行い、少しテストし、問題ないと希望するだけでは不十分です。

入力データ、モデル自体、モデルの出力を慎重にレビューし、人間の最良の部分が反映されていることを確認する必要があります。ほとんどのシステムは歴史的または現実のデータでトレーニングされており、最初から正しく機能するとは限りません。また、必ずしも偏りがないとも限りません。私たちは、偏りをモデルから除去する唯一の方法は、透明性、監査可能性、人間が理解できる説明の組み合わせであると信じています。

Diveplaneのコア・テクノロジーはREACTORと呼ばれますが、これが機械学習を説明可能にするための新しいアプローチとなる理由は何ですか?

機械学習には、特定のタイプの決定を下すモデルを構築するためにデータを使用することが含まれます。決定には、車のホイールをどのくらいの角度に旋回させるか、購入を承認または却下するか、またはユーザーにどの製品を勧めるか、などの選択が含まれます。モデルが決定を下す方法を学ぶには、通常、同様の決定を何度も行い、次にモデル自体が何を行うかを予測する必要があります。機械学習のテクニックは、提供できる洞察のタイプによって制限されるか、実際の洞察がモデルが決定を下す方法を反映しているか、または精度が低いという点で制限されます。

REACTORを使用することはかなり異なります。REACTORは、データの不確実性を特徴付け、データがモデルになります。決定のタイプごとにモデルを構築するのではなく、REACTORに何について決定を下すように求めるだけです – それはデータに関連するものであれば何でもかまいません。REACTORは、使用したデータを表示し、答えとの関係、不確実性のすべての側面、反実仮想の推論、ほぼすべての追加質問を表示できます。データがモデルであるため、データを編集すると、REACTORは即座に更新されます。決定に寄与したデータがあれば、それを表示し、データとそのソースへのすべての編集をトレースできます。REACTORは、すべての操作において確率理論を使用しているため、操作のすべての部分の測定単位を示すことができます。また、REACTORを使用せずに、決定に至るデータと不確実性を使用して、決定を再現および検証できます。

REACTORは、これらすべての機能を実現しながら、小規模でスパースなデータセットに対して高い精度を維持しています。

GEMINAIは、データセットのデジタル・ツインを構築する製品です。具体的に何を意味するのか、そしてどのようにしてデータのプライバシーを確保するのかについて説明してください。

GEMINAIにデータセットを入力すると、データの統計的形状に関する深い知識を構築します。元のデータの構造に似たシンセティック・ツインを生成するために使用できますが、すべてのレコードは新しく作成されます。しかし、統計的形状は同じです。たとえば、元のデータセットとツインの両方の患者さんの平均心拍数はほぼ同じです。他のすべての統計も同じです。したがって、ツインを使用したデータ分析は、元のデータセットと同じ答えを提供します。機械学習モデルをトレーニングする場合も同様です。

元のデータセットにレコードがある場合、シンセティック・ツインにはそのレコードはありません。名前を削除するだけでなく、情報空間で元のレコードに近いレコードがないことを確認します。つまり、元のセットとシンセティック・セットの両方で認識できるレコードはありません。

これにより、シンセティック・データセットをより自由に共有できます。機密情報を不正に共有するリスクはありません。個人金融取引、患者さんの健康情報、機密情報など、統計的形状が機密情報でない限り、シンセティック・ツインは機密情報ではありません。

GEMINAIは、差分プライバシーを使用するよりも優れたソリューションである理由は何ですか?

差分プライバシーは、個々の個人によって統計が影響を受ける確率を制限する一連のテクニックであり、ほぼすべてのデータプライバシー・ソリューションの基本的な部分です。ただし、差分プライバシーを単独で使用すると、データのプライバシー・バジェットを管理する必要があり、各クエリに十分なノイズを追加する必要があります。プライバシー・バジェットが使用されると、データを再度使用することはプライバシー・リスクを冒すことになります。

このバジェットを克服する方法の1つは、差分プライバシーを使用してシンセティック・データを生成する機械学習モデルをトレーニングすることです。アイデアは、差分プライバシーでトレーニングされたこのモデルを使用して、比較的安全にシンセティック・データを生成できるということです。ただし、差分プライバシーの適切な適用は、個々の個人のデータ量が異なる場合や、同じ家に住む人々のような複雑な関係がある場合など、特にトリッキーになることがあります。差分プライバシーでトレーニングされたモデルから生成されたシンセティック・データは、偶然に実際のデータが含まれていることが多く、個々の人がそれが自分のものであると主張する可能性があります。

GEMINAIは、これらの問題を解決し、さらに多くの機能を提供します。データをシンセティック化するときに、さまざまなデータ型を処理できる実際的な差分プライバシー形式を使用します。REACTORエンジンに基づいているため、データのどの部分が他の部分と混同される可能性があるかを認識し、シンセティック・データを生成するときに、最も似ている元のデータと十分に異なることを確認します。さらに、すべてのフィールド、すべてのデータを潜在的に機密または識別可能なものとして扱い、伝統的に機密と考えられていないが個々の識別子となる可能性のあるフィールド（たとえば、2時から3時の24時間ストアでの唯一の取引）に対して実際的な差分プライバシー形式を適用します。私たちはこれをプライバシー・クロス・シュレッディングと呼んでいます。

GEMINAIは、ほぼすべての目的で高い精度を実現し、元のデータに似たツインを生成しますが、誰もがシンセティック・データを元のデータと識別できないようにします。

Diveplaneは、Data & Trust Allianceの共同創設者です。このアライアンスについて説明してください。

これは、責任あるデータとAIの慣行を開発および採用するために協力するテクノロジーCEOの素晴らしいグループです。IBM、Johnson&Johnson、マスターカード、UPS、ウォルマート、Diveplaneのような世界クラスの組織が含まれています。初期段階に参加できたこと、そして私たちが共同で取り組んだイニシアチブについて非常に誇りに思っています。

(MA ) (WMT )

Diveplaneは最近、シリーズAラウンドの資金調達を成功させました。これは会社の将来にどのような意味がありますか?

私たちは、エンタープライズ・プロジェクトで成功を収めてきましたが、1つのエンタープライズずつ世界を変えることは難しいです。この支援を使用して、チームを構築し、メッセージを共有し、Understandable AIをできるだけ多くの場所に導入します!

Diveplaneについてさらに共有したいことがありますか?

Diveplaneは、AIが普及するにつれて、AIが適切に実行されることを保証することについてです。私たちは、公平性、透明性、説明可能性のあるAIについてです。決定を下す根拠を積極的に示し、AIにおける「ブラックボックス・メンタリティー」から離れ、不公平、非倫理的、偏った可能性があるものから離れます。説明可能性がAIの未来であると信じており、推進する上で重要な役割を果たすことを楽しみにしています!

ご質問にご協力いただき、ありがとうございました。読者がさらに詳しく知りたい場合は、Diveplaneを訪問してください。