Mike Capps, Diveplane’ın Kurucu Ortağı ve CEO’su – Röportaj Serisi

Dr. Michael Capps, tanınmış bir teknoloji uzmanı ve Diveplane Corporation’ın CEO’sudur. Diveplane’ın kuruluşuna ortak olmadan önce, Mike, Epic Games’in başkanıyken efsanevi bir kariyere sahipti ve Fortnite ve Gears of War gibi blockbuster oyunların yapımcısıydı. Görev süresi boyunca, yüz yılın oyunu ödülü, onlarca konferans ana konuşması, bir ömür boyu başarı ödülü ve ABD Yüksek Mahkemesi’nde video oyunları için başarılı bir ifade özgürlüğü savunması yer aldı.

Diveplane, birden fazla endüstriye yönelik AI destekli iş çözümleri sunar. Altı patent onaylandı ve birden fazla patent başvurusu bekleniyor, Diveplane’ın Anlaşılabilir AI’sı, etik AI politikaları ve veri gizliliği stratejileri desteklemek için tam anlayış ve karar şeffaflığı sağlar.

Videogame endüstrisindeki başarılı kariyerinizden emekli olduktan sonra, AI’ye odaklanmak için emekliliğinizden çıkmaya ne sebep oldu?

Oyun yapımı eğlenceliydi, ancak – o zamanlar – yeni bir aileyle birlikte ideal bir kariyer değildi. Yönetim kurulu ve danışmanlık rolleriyle meşgul olmuştum, ancak bu bana yeterli gelmiyordu. Dünyayı etkileyebileceğim üç büyük problemi listeledim – ve bunlar arasında kara kutu AI sistemlerinin yayılması da vardı. Her birine bir yıl ayırmak istiyordum, ancak birkaç hafta sonra, arkadaşım Chris Hazard, şeffaf, tam olarak açıklanabilir bir AI platformu üzerinde gizlice çalıştığını söyledi. Ve işte buradayız.

Diveplane, AI’ye insanlık getirmek amacıyla kuruldu, bu somut olarak ne anlama geliyor?

Elbette. Burada insanlık, “insaniyet” veya “şefkat” anlamına geliyor. AI modelinizde insanlığın en iyisini elde etmek için, sadece eğitim vermek, biraz test etmek ve her şeyin yolunda olmasını ummak yeterli değil.

Girdi verilerini, modelin kendisini ve modelin çıktısını dikkatlice incelemeli ve bunların insanlığın en iyisini yansıttığından emin olmalıyız. Tarihi veya gerçek dünya verilerine dayalı olarak eğitilen çoğu sistem ilk seferinde doğru olmayacak ve mutlaka önyargısız da olmayacaktır. Biz, bir modeldeki önyargıyı – yani hem istatistiksel hataları hem de önyargıyı – ancak şeffaflık, denetlenebilirlik ve insan tarafından anlaşılabilir açıklama kombinasyonu ile ortadan kaldırabileceğimize inanıyoruz.

Diveplane’daki temel teknoloji REACTOR olarak adlandırılıyor, bu, makine öğrenimini açıklanabilir kılmak için neden yeni bir yaklaşım?

Makine öğrenimi genellikle, belirli bir karar türünü veren bir model oluşturmak için verilerin kullanılması anlamına gelir. Kararlar, bir aracın tekerleklerinin dönmesi için gereken açıyı, bir satın almayı onaylama, reddetme ya da dolandırıcılık olarak işaretleme veya bir ürünü önerme kararı olabilir. Modelin kararını öğrenmek istiyorsanız, genellikle modele birçok benzer karar sorusu yöneltmek ve modelin ne yapacağını tahmin etmeyi yeniden denemek zorundasınız. Makine öğrenimi teknikleri, sunabilecekleri içgörülerle sınırlıdır, modelin kararını neye dayanarak aldığına dair gerçek içgörüler sunma yetenekleri sınırlıdır veya daha düşük doğruluklara sahiptir.

REACTOR ile çalışmak oldukça farklı. REACTOR, verilerin belirsizliğini karakterize eder ve veriler model olur. Bir karar türü için bir model oluşturmak yerine, REACTOR’a ne karar vermesini istediğinizi sorarsınız – bu, verilere bağlı herhangi bir şey olabilir – ve REACTOR, karar için hangi verilerin gerekli olduğunu sorar. REACTOR, kullandığı verileri, bunların yanıtla nasıl ilişkili olduğunu, belirsizliğin her yönünü, karşıolgusal akıl yürütmeyi gösterebilir ve sormak istediğiniz hemen her ek soruyu yanıtlayabilir. Veriler model olduğu için, verileri düzenleyebilirsiniz ve REACTOR anında güncellenir. Karara giren herhangi bir anomali veriyi gösterebilir ve her düzenleme, verilere ve kaynaklarına kadar izlenebilir. REACTOR, tüm işlemlerinde olasılık teorisini kullanır, yani bize her bir parçasının ölçüm birimleri hakkında bilgi verebilir. Son olarak, REACTOR’u kullanmadan, sadece kararı oluşturan verilere ve belirsizliklere dayanarak, nispeten basit matematik kullanarak kararı doğrulayabilir ve yeniden üretebilirsiniz.

REACTOR, tüm bunları yaparken, özellikle küçük ve seyrek veri kümeleri için, oldukça rekabetçi bir doğruluk sağlar.

GEMINAI, bir veri kümesinin dijital bir ikizini oluşturan bir üründür, bu somut olarak ne anlama geliyor ve bu, nasıl veri gizliliği sağlar?

GEMINAI’ye bir veri kümesi verildiğinde, bu verilerin istatistiksel şeklini derinlemesine öğrenir. Bu bilgiyi, orijinal verilerin yapısına benzer bir sentetik ikiz oluşturmak için kullanabilirsiniz, ancak tüm kayıtlar yeni oluşturulur. İstatistiksel şekil aynı kalır, böylece orijinal verilerin ortalama kalp atış hızı, sentetik ikizininkiyle neredeyse aynı olur ve diğer tüm istatistikler de aynı şekilde kalır. Bu nedenle, sentetik veri kullanarak yapılan herhangi bir veri analizi, orijinal verilerin verdiği cevabı verir, makine öğrenimi modellerini eğitmek de dahil.

Ve eğer orijinal verilerde bir kayıt varsa, sentetik ikizde bu kayda benzeyen bir kayıt olmayacaktır. Sadece ismi silmekle kalmıyoruz, aynı zamanda sentetik kümede orijinal kümedeki herhangi bir kayda benzeyen bir kayıt olmayacağından emin oluyoruz. Yani, bilgi uzayında orijinal ve sentetik küme arasında tanınabilir bir kayıt olmayacaktır.

Bu, sentetik veri kümesinin gizli bilgilerin yanlışlıkla paylaşılmayacağından emin olarak daha serbestçe paylaşılabileceği anlamına gelir. Kişisel finansal işlemler, hasta sağlığı bilgileri, gizlilik dereceli veriler – istatistikler gizli değilse, sentetik ikiz de gizli değildir.

GEMINAI, diferansiyel gizliliği kullanmaktan neden daha iyi bir çözüm?

Diferansiyel gizliliği, tek bir bireyin istatistikleri küçük bir miktardan daha fazla etkileme olasılığını sınırlayan bir dizi tekniktir ve hemen hemen her veri gizliliği çözümünün temel bir parçasıdır. Ancak, diferansiyel gizliliği tek başına kullandığınızda, verilerin gizlilik bütçesi yönetilmesi gerekir ve her sorgu için yeterli gürültü eklenmelidir. Bu bütçe tükendiğinde, veri tekrar kullanılamaz, aksi takdirde gizlilik riskleri ortaya çıkar.

Bu bütçe sınırını aşmanın bir yolu, gizlilik bütçesinin tamamını tek seferde kullanarak sentetik veri üreten bir makine öğrenimi modeli eğitmektir. Fikir, bu modelin, sentetik veri üretmek için kullanılabileceği ve nispeten güvenli olduğudur. Ancak, diferansiyel gizliliği doğru şekilde uygulamak, özellikle farklı bireylerin veri hacimleri farklıysa ve aynı evde yaşayan insanlar gibi daha karmaşık ilişkiler varsa zor olabilir. Ayrıca bu modelin ürettiği sentetik veriler, tesadüfen gerçek veriler içerebilir; aşırı benzerlik nedeniyle bir kişi bu verilerin kendisine ait olduğunu öne sürebilir.

GEMINAI, bu sorunları ve daha fazlasını, sentetik veri oluştururken birden fazla gizlilik tekniğini birleştirerek çözer. Uygulamada diferansiyel gizliliği kullanır ve çeşitli veri türlerini destekleyebilir. REACTOR motoruna dayanır, bu nedenle ayrıca, herhangi bir verinin diğerleriyle karıştırılma olasılığını bilir ve sentetik verileri, en benzer orijinal veriden bile her zaman yeterince farklı olacak şekilde oluşturur. Ayrıca, her alanın, her verinin potansiyel olarak duyarlı veya tanımlayıcı olabileceğini varsayar ve geleneksel olarak duyarlı sayılmayan ancak bir kişiyi benzersiz biçimde tanımlayabilen alanlara da diferansiyel gizliliğin pratik biçimlerini uygular; örneğin 24 saat açık bir mağazada gece 02.00 ile 03.00 arasındaki tek işlem buna dahildir. Buna “gizlilik çapraz parçalama” diyoruz.

GEMINAI, hemen her amaç için yüksek doğruluk ve orijinal verilere benzeyen veriler sunabilir; ancak kimsenin sentetik verilere aşırı benzeyen sentetik veriler bulmasını engeller.

Diveplane, Data & Trust Alliance’ın kurucularından biridir, bu ittifak nedir?

Bu, teknoloji CEO’larının, sorumlu veri ve AI uygulamaları geliştirmek ve benimsemek için işbirliği yaptığı harika bir gruptur. Dünya çapındaki organizasyonlar gibi IBM, Johnson&Johnson, Mastercard (MA ), UPS, Walmart (WMT ) ve Diveplane gibi şirketler yer alıyor. Erken aşamalarda yer aldığımız ve topluca girişimlerde elde ettiğimiz başarıdan gurur duyuyoruz.

Diveplane yakın zamanda başarılı bir A Serisi turunu tamamladı, bu şirketin geleceği için ne anlama geliyor?

Girişim projelerimizle başarılı olduk, ancak dünyayı her seferinde tek bir işletmeyle çalışarak değiştirmek zor. Bu desteği, ekibimizi büyütmek, mesajımızı paylaşmak ve Anlaşılabilir AI’yi mümkün olduğunca fazla yere ulaştırmak için kullanacağız!

Diveplane hakkında paylaşmak istediğiniz başka bir şey var mı?

Diveplane, AI’nin doğru şekilde yapılması için var. Adil, şeffaf ve anlaşılabilir AI hakkında, kararları yönlendiren şeyleri proaktif olarak göstermek ve AI’nin “kara kutu zihniyetinden” uzaklaşmak için buradayız – bu zihniyet adaletsiz, etik dışı ve önyargılı olabilir. AI’nin geleceğinin Açıklanabilirlik olduğuna inanıyoruz ve bunu ilerletmek için önemli bir rol oynamaktan heyecan duyuyoruz!

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Diveplane‘i ziyaret edebilir.