Roshanak Houmanfar, Makine Öğrenimi Ürünleri Başkan Yardımcısı at Integrate.ai – Röportaj Serisi

Roshanak (Ro) Houmanfar, integrate.ai’nin Makine Öğrenimi Ürünleri Başkan Yardımcısı’dır. Integrate.ai, geliştiricilerin dünyanın en önemli sorunlarını çözmesine yardımcı olan bir şirkettir, ancak bu sırada hassas verileri riske atmaz. Ro, karmaşık AI kavramlarını basitleştirme ve kullanıcı ihtiyaçlarıyla bağlama konusunda özel bir yeteneğe sahiptir. Bu uzmanlığı kullanarak, integrate.ai’nin gizlilik artırıcı teknolojiye erişimi demokratikleştirmeye yönelik misyonunun ön saflarında yer almaktadır.

Sizce veri bilimi ve makine öğrenimi size nasıl çekici geldi?

Benim yolculuğum robotikle başladı. Robotik alanının farklı açılарını deneledikten ve bir kaynak laboratuvarını yak ettikten sonra, alanımın yapay zeka tarafına daha fazla ilgi duyduğuma karar verdim ve bu da beni harika bir makine öğrenimi dünyasına götürdü.

Şu anki rolünüzü ve bir gününüzün nasıl geçtiğini anlatır mısınız?

Ben integrate.ai’nin Ürün Başkan Yardımcısı’yım, bir SaaS şirketiyiz ve geliştiricilerin dünyanın en önemli sorunlarını çözmesine yardımcı oluyoruz, ancak bu sırada hassas verileri riske atmıyoruz. Dağıtılmış veri geleceği için gizlilik güvenceli makine öğrenimi ve analitik araçları geliştiriyoruz.

Günlük işlerimde, üç şeyi başarmak için fonksiyonlar arası ekiplerle birlikte çalışıyorum:

Gelecekteki zekanın nasıl olabileceğini düşünmek ve bu geleceği şekillendirmek, böylece zeka en kritik sorunları çözebilsin.

Müşterilerimizin ağrı noktalarını anlamak ve onların işlerini daha etkili ve verimli hale getirmek için nasıl yenilikler yapabileceğimizi görmek.

Ürün geliştirme sırasında vizyonumuzun ve müşteri geri bildiriminin her zaman dikkate alınmasını sağlamak, ekiplerimizle işbirliği yaparak en iyi özellikleri sunmak.

Sentetik veri şu anda makine öğreniminde çok popüler, ancak integrate.ai biraz karşıt bir yaklaşım sergiliyor. Sentetik verinin istenen bir seçenek olmayabileceği bazı uygulamalar var mı?

Sentetik verinin ne zaman en iyi çözüm olmadığını anlamak için önce ne zaman en iyi çözüm olduğunu anlamak önemlidir. Sentetik veri, modelleme hedefi için gerçek veri bulunmadığında veya çok az olduğunda kullanılır – örneğin, soğuk başlangıç sorunları ve metin ve görüntü tabanlı model eğitimi için. Bazen, modeli eğitmek için yeterli veri bulunmayabilir, bu da sentetik verinin bir çözüm olarak parladığı durumdur.

Ancak sentetik veri, gerçek verinin bolca mevcut olduğu ancak veri gizlilik düzenlemeleri, merkezileştirme maliyetleri veya diğer etkileşim engelleri nedeniyle silolarda bulunduğu durumlar için de giderek daha fazla kullanılıyor. Bu, sentetik verinin yanlış bir kullanımıdır. Bu kullanım durumlarında, sentetik veri oluşturmak için doğru soyutlama düzeyini belirlemek zor olur, bu da düşük kaliteli sentetik verilere yol açar ve bu da ileride debug edilmesi zor olan içsel önyargı veya diğer sorunlara neden olabilir. Ayrıca, sentetik verilerle eğitilen modeller, gerçek, yüksek kaliteli, granül kaynak verisiyle eğitilen modellerle karşılaştırılamaz.

Integrate.ai, federated öğrenme çözümleri sunmakta uzmanlaşmıştır, federated öğrenme nedir?

Geleneksel makine öğreniminde, tüm model eğitim verilerinin merkezi bir veritabanında bulunması gerekir. Federated öğrenmede, modeller, merkezi olmayan, dağıtılmış veri kümeleri üzerinde eğitilebilir – yani, iki veya daha fazla ayrı veritabanında bulunan ve kolayca taşınamayan veriler. Nasıl çalıştığı, modelin bir kısmının verilerin bulunduğu yerde eğitildiği ve model parametrelerinin katılımcı veri kümeleri arasında paylaşıldığı ve geliştirilmiş bir global model üretildiği şeklindedir. Ve sistem içinde veri taşınmadığı için, organizasyonlar, gizlilik ve güvenlik düzenlemeleri, maliyet veya diğer merkezileştirme endişeleri gibi engeller olmadan modelleri eğitebilir.

Genel olarak, federated öğrenme ile erişilebilen eğitim verisi çok daha kaliteli olur, çünkü merkezi veri genellikle kolay erişilebilirlik uğruna bazı granülaritesini kaybeder.

Bir şirket, federated öğrenme için en iyi kullanım durumlarını nasıl belirler?

Federated öğrenme, veri erişimi veya geleneksel makine öğrenimi altyapısına veri getirmenin zor olduğu durumlar için tasarlanmış bir makine öğrenimi teknoloji yığınıdır. Aşağıdaki belirtilerin herhangi birini yaşıyorsanız, federated öğrenme sizin için uygundur:

• Analitik ve makine öğrenimi ile çalışan akıllı ürünleri sunuyorsunuz, ancak müşterilerinizin verilerine erişim sağlayamadığınız için ürünlerinizde ağ etkileri oluşturamıyorsunuz.
• Verilere erişim sağlamak için ortaklarınızla uzun süreli hizmet anlaşmaları veya veri paylaşım anlaşmaları yapıyor ve bu süreç uzuyor.
• Özellikle veri ortaklığının sonucu size belirsiz olduğunda, ortaklarınızla işbirliği sözleşmeleri oluşturmak için çok zaman harcamaktasınız.
• Veri setlerine sahipsiniz ve bu veri setlerini para kazandırma istiyorsunuz, ancak bunu yapmanın itibarınıza olası etkileri konusunda endişeleriniz var.
• Verilerinizi zaten para kazandırıyorsunuz, ancak verilerinizi paylaşmak için güvenli hale getirmek için çok zaman, çaba ve para harcamaktasınız.
• Bulut hareketi sırasında altyapınız geride kaldı, ancak仍-analytics ve makine öğrenimine ihtiyacınız var.
• Aynı organizasyona ait ancak doğrudan birbirleriyle veri paylaşamayan çok sayıda yan kuruluş bulunmakta.
• İlgili olduğunuz veri kümeleri çok büyük veya pahalıya mal oluyor, bu nedenle bunları kullanmamaya veya ETL boru hatlarınızın size çok maliyeti olmasına karar vermişsiniz.
• Sizin için önemli bir etkiye sahip olabilecek bir uygulama veya fırsat görüyorsunuz, ancak bunu gerçekleştirmek için gerekli verilere kendiniz sahip değilsiniz.
• Makine öğrenimi modelleriniz birplateau’ya ulaştı ve bunları nasıl geliştireceğinizi bilmiyorsunuz.

Federated öğrenme ile birlikte sıklıkla kullanılan diferansiyel gizlilik nedir?

Diferansiyel gizlilik, makine öğreniminin gücünü kullanırken aynı zamanda gizliliği güvence altına alma tekniğidir. Standart kimlik belirleme tekniklerinden farklı matematik kullanarak, yerel model eğitimi sırasında gürültü ekler ve veri kümesinin çoğunu korurken, herhangi bir bireyin verisinin tanımlanma riskini sınırlar.

İdeal uygulamalarda, diferansiyel gizlilik, riski neredeyse sıfıra indirirken, makine öğrenimi modelleri benzer performanslarını korur – bu, veri kimlik belirleme için gerekli güvenlik sağlar, ancak model sonuçlarının kalitesini düşürmez.

Diferansiyel gizlilik, integrate.ai platformunda varsayılan olarak dahildir, böylece geliştiriciler ve veri koruyucuları, bireysel verilerin model parametrelerinden çıkarılamayacağını bilerek rahatlayabilir.

Integrate.ai’nin federated öğrenme platformunun nasıl çalıştığını açıklayabilir misiniz?

Platformumuz, federated öğrenme ve diferansiyel gizlilik teknolojilerini kullanarak, genellikle erişilemeyen veya teknik engeller nedeniyle erişilemeyen veriler üzerinde makine öğrenimi ve analitik yeteneklerini açığa çıkarır. İşlemler yerel olarak gerçekleştirilir ve yalnızca sonuçlar güvenli ve gizli bir şekilde toplanır.

Integrate.ai, bir geliştirici aracı olarak paketlenmiştir ve kolayca kullanılan bir SDK ve uçtan uca yönetim için bulut hizmeti sunar. Platform entegre edildikten sonra, son kullanıcılar hassas veri kümeleri üzerinde işbirliği yapabilirken, veri koruyucuları tam kontrolü elinde tutar. Integrate.ai’yi içeren çözümler, etkili deney araçları ve üretim hazır hizmetler olarak görev yapabilir.

Bu platformun precisyon tanılarında nasıl kullanılabileceğini örnekleyebilir misiniz?

Çalışmakta olduğumuz ortaklar ağından biri, otizm tanıları ile ilgili bilgileri ve genom verilerini toplamakta ve farklı genotipler ile fenotiplerin otizm tanıları ile bağlantılarını anlamaya çalışmaktadır. Her bir veri sitesi, makine öğrenimi modellerini etkili bir şekilde çalıştırmak için yeterli veri setine sahip değildir, ancak toplu olarak anlamlı bir örneklem boyutu oluştururlar. Ancak, verilerin taşınması güvenlik ve gizlilik riski oluşturur ve düzenlemeler ve hastane politikaları nedeniyle bu araştırma enstitüleri her zaman veri paylaşımından kaçınmıştır.

Farklı bir ağda, benzer bir kurulumda, araştırmacılar, her bir hastanın tarihini daha kapsamlı bir şekilde değerlendirerek klinik denemeleri hastalara atanmasını iyileştirmek istemektedir.

İlgili araştırma enstitüleri, her bir hastanın farklı bilgilerine erişime sahiptir – bir laboratuvar, tıbbi taramalarına; diğer laboratuvar, genom bilgilerine; ve diğer enstitü, klinik deneme sonuçlarına sahiptir. Ancak bu farklı organizasyonlar, doğrudan birbirleriyle bilgi paylaşamaz.

Integrate.ai çözümü ile her organizasyon, veri koruyucularından uzaklaşmadan, diğerlerinin verilerine erişebilir ve bu sayede iç politikalara uymaktadır.

Gizliliği anlaşılır kılmanın önemini ve integrate.ai’nin bunu nasıl sağladığını tartışabilir misiniz?

Gizliliği anlaşılır kılmak, tarihsel olarak kapalı olan ancak şimdi açık olan birçok kapıya yol açar. Gizlilik düzenlemeleri gibi GDPR, CCPA ve HIPAA son derece karmaşıktır ve endüstriye, bölgeye ve veri türüne bağlı olarak farklılık gösterebilir, bu da organizasyonların hangi veri projelerinin gizlilik açısından güvenli olduğunu belirlemesini zorlaştırır. Her kutuyu kontrol etmek için zaman ve insan gücü harcamak yerine, integrate.ai’nin federated öğrenme platformu, diferansiyel gizlilik, homomorfik şifreleme ve güvenli çoklu taraf hesaplama gibi özellikler sunar, böylece geliştiriciler ve veri koruyucuları, projelerinin düzenleyici gereksinimlere otomatik olarak uyduğunu bilerek rahatlayabilir.

Integrate.ai hakkında paylaşmak istediğiniz başka bir şey var mı?

Integrate.ai’nin çözümü, hassas veri kaynakları üzerinde uyumlu, gizlilik koruma ve güvenli makine öğrenimi ve analitik için son derece geliştirici dostu bir araçtır. Basit API’ler aracılığıyla, tüm düzenleyici uyum ve sözleşmelerdeki karmaşıklık, hassas veriler上的 geliştiriciler ve yazılımcılar tarafından yönetilebilecek şekilde soyutlanır. Integrate.ai’nin çözümü, veri bilimcilerinin ve yazılımcıların iş yüklerini mevcut altyapıları ve iş akışları üzerinde minimal etkiye sahip olarak güvenli bir şekilde yönetmelerine olanak tanır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular integrate.ai’yi ziyaret edebilir.