Mike Capps, Đồng sáng lập & CEO của Diveplane – Loạt phỏng vấn

Dr. Michael Capps là một nhà công nghệ nổi tiếng và là CEO của Tập đoàn Diveplane. Trước khi đồng sáng lập Diveplane, Mike đã có một sự nghiệp huyền thoại trong ngành công nghiệp trò chơi điện tử với tư cách là chủ tịch của Epic Games, nhà sản xuất các trò chơi nổi tiếng như Fortnite và Gears of War. Sự nghiệp của ông bao gồm hơn 100 giải thưởng trò chơi của năm, hàng chục bài phát biểu tại hội nghị, một giải thưởng thành tựu trọn đời và một cuộc phòng thủ thành công về tự do ngôn luận trong lĩnh vực trò chơi điện tử tại Tòa án Tối cao Hoa Kỳ.

Diveplane cung cấp các giải pháp kinh doanh dựa trên trí tuệ nhân tạo trên nhiều ngành công nghiệp. Với sáu bằng sáng chế đã được phê duyệt và nhiều bằng sáng chế đang chờ xử lý, trí tuệ nhân tạo có thể hiểu được của Diveplane mang lại sự hiểu biết và minh bạch quyết định trong việc hỗ trợ các chính sách trí tuệ nhân tạo đạo đức và chiến lược bảo mật dữ liệu.

Bạn đã nghỉ hưu thành công từ một sự nghiệp thành công trong ngành công nghiệp trò chơi điện tử tại Epic Games, điều gì đã khiến bạn quyết định trở lại để tập trung vào trí tuệ nhân tạo?

Làm trò chơi điện tử thật tuyệt vời, nhưng ít nhất tại thời điểm đó, không phải là một sự nghiệp lý tưởng khi có một gia đình mới. Tôi đã giữ mình bận rộn với các vị trí trong hội đồng quản trị và tư vấn, nhưng điều đó không thực sự đầy đủ. Vì vậy, tôi đã tạo một danh sách ba vấn đề lớn mà thế giới đang phải đối mặt và tôi có thể tác động – và đó bao gồm sự phổ biến của các hệ thống trí tuệ nhân tạo “hộp đen”. Kế hoạch của tôi là dành một năm để nghiên cứu từng vấn đề, nhưng chỉ vài tuần sau, người bạn tài giỏi của tôi, Chris Hazard, đã告诉 tôi rằng anh ấy đã làm việc bí mật trên một nền tảng trí tuệ nhân tạo minh bạch và có thể giải thích được. Và đó là nơi chúng tôi đang đứng hôm nay.

Diveplane được thành lập với sứ mệnh mang lại nhân văn cho trí tuệ nhân tạo, bạn có thể giải thích rõ hơn về điều này không?

Tất nhiên. Ở đây, chúng tôi sử dụng thuật ngữ “nhân văn” để chỉ “tình người” hoặc “sự đồng cảm”. Để đảm bảo rằng trí tuệ nhân tạo của bạn phản ánh những điều tốt đẹp nhất của con người, bạn không thể chỉ đào tạo, kiểm tra một chút và hy vọng mọi thứ sẽ ổn.

Chúng tôi cần phải xem xét kỹ lưỡng dữ liệu đầu vào, mô hình chính nó và đầu ra của mô hình đó, và đảm bảo rằng nó phản ánh những điều tốt đẹp nhất của nhân văn. Hầu hết các hệ thống được đào tạo trên dữ liệu lịch sử hoặc dữ liệu thực tế sẽ không chính xác ngay từ đầu, và chúng cũng không nhất thiết phải không bị thiên vị. Chúng tôi tin rằng cách duy nhất để loại bỏ thiên vị trong một mô hình – nghĩa là cả lỗi thống kê và thành kiến – là sự kết hợp của tính minh bạch, khả năng kiểm toán và giải thích có thể hiểu được của con người.

Công nghệ cốt lõi tại Diveplane được gọi là REACTOR, điều gì làm cho đây một cách tiếp cận mới để làm cho học máy có thể giải thích được?

Học máy thường liên quan đến việc sử dụng dữ liệu để xây dựng một mô hình thực hiện một loại quyết định cụ thể. Các quyết định có thể bao gồm góc quay bánh xe cho một phương tiện, liệu có chấp thuận hoặc từ chối một giao dịch hay không, hoặc sản phẩm nào nên được giới thiệu cho ai đó. Nếu bạn muốn tìm hiểu cách mô hình đưa ra quyết định, bạn thường phải hỏi nó nhiều quyết định tương tự và sau đó thử lại để dự đoán những gì mô hình thực sự sẽ làm. Các kỹ thuật học máy thường bị giới hạn ở các loại thông tin chúng có thể cung cấp, bởi liệu thông tin đó thực sự phản ánh những gì mô hình đã làm để đưa ra quyết định, hoặc bởi độ chính xác thấp hơn.

Làm việc với REACTOR khác rất nhiều. REACTOR đặc trưng hóa sự không chắc chắn của dữ liệu của bạn, và dữ liệu của bạn trở thành mô hình. Thay vì xây dựng một mô hình cho mỗi loại quyết định, bạn chỉ cần hỏi REACTOR những gì bạn muốn nó quyết định – nó có thể là bất cứ điều gì liên quan đến dữ liệu – và REACTOR sẽ hỏi những gì dữ liệu cần cho một quyết định cụ thể. REACTOR luôn có thể hiển thị cho bạn dữ liệu nó đã sử dụng, cách nó liên quan đến câu trả lời, mọi khía cạnh của sự không chắc chắn, suy luận phản thực tế và gần như bất kỳ câu hỏi nào khác bạn muốn hỏi. Bởi vì dữ liệu là mô hình, bạn có thể chỉnh sửa dữ liệu và REACTOR sẽ được cập nhật ngay lập tức. Nó có thể hiển thị cho bạn nếu có bất kỳ dữ liệu nào trông không bình thường đã đi vào quyết định và theo dõi mọi chỉnh sửa đến dữ liệu và nguồn của nó. REACTOR sử dụng lý thuyết xác suất tất cả các cách xuống, có nghĩa là chúng tôi có thể cho bạn biết đơn vị đo lường của mọi phần của hoạt động của nó. Và cuối cùng, bạn có thể tái tạo và xác thực bất kỳ quyết định nào bằng cách sử dụng chỉ dữ liệu dẫn đến quyết định và sự không chắc chắn, bằng cách sử dụng toán học khá đơn giản mà không cần REACTOR.

REACTOR có thể làm tất cả những điều này trong khi vẫn duy trì độ chính xác cạnh tranh cao, đặc biệt là đối với các tập dữ liệu nhỏ và thưa thớt.

GEMINAI là một sản phẩm xây dựng một bản sao kỹ thuật số của một tập dữ liệu, điều này có nghĩa là gì và làm thế nào để đảm bảo quyền riêng tư của dữ liệu?

Khi bạn cung cấp cho GEMINAI một tập dữ liệu, nó xây dựng một kiến thức sâu về hình dạng thống kê của dữ liệu đó. Bạn có thể sử dụng nó để tạo một bản sao tổng hợp giống như cấu trúc của dữ liệu ban đầu, nhưng tất cả các bản ghi đều được tạo mới. Nhưng hình dạng thống kê là giống nhau. Vì vậy, ví dụ, tốc độ tim trung bình của bệnh nhân trong cả hai tập dữ liệu sẽ gần như giống nhau, cũng như tất cả các thống kê khác. Do đó, bất kỳ phân tích dữ liệu nào sử dụng bản sao sẽ đưa ra cùng một câu trả lời như bản gốc, bao gồm cả việc đào tạo mô hình học máy.

Và nếu ai đó có một bản ghi trong dữ liệu ban đầu, sẽ không có bản ghi nào cho họ trong bản sao tổng hợp. Chúng tôi không chỉ xóa tên – chúng tôi đảm bảo rằng không có bản ghi nào mới nào gần giống với bản ghi của họ (và tất cả các bản ghi khác) trong không gian thông tin. Tức là, không có bản ghi nào có thể nhận ra được trong cả tập dữ liệu ban đầu và tập dữ liệu tổng hợp.

Và điều đó có nghĩa là tập dữ liệu tổng hợp có thể được chia sẻ nhiều hơn mà không có rủi ro chia sẻ thông tin bí mật một cách không đúng. Điều đó không quan trọng nếu đó là giao dịch tài chính cá nhân, thông tin sức khỏe bệnh nhân, dữ liệu phân loại – miễn là thống kê của dữ liệu không phải là bí mật, bản sao tổng hợp cũng không phải là bí mật.

Tại sao GEMINAI lại là một giải pháp tốt hơn so với việc sử dụng sự riêng tư khác biệt?

Sự riêng tư khác biệt là một tập hợp các kỹ thuật giữ cho xác suất của bất kỳ cá nhân nào không ảnh hưởng đến thống kê hơn một lượng nhỏ, và là một phần cơ bản trong hầu như bất kỳ giải pháp bảo mật dữ liệu nào. Tuy nhiên, khi sự riêng tư khác biệt được sử dụng một mình, một ngân sách riêng tư cho dữ liệu cần được quản lý, với đủ nhiễu được thêm vào mỗi truy vấn. Một khi ngân sách đó đã được sử dụng, dữ liệu không thể được sử dụng lại mà không gặp rủi ro về quyền riêng tư.

Một cách để vượt qua ngân sách này là áp dụng toàn bộ ngân sách riêng tư cùng một lúc để đào tạo một mô hình học máy tạo ra dữ liệu tổng hợp. Ý tưởng là mô hình này, được đào tạo bằng sự riêng tư khác biệt, có thể được sử dụng tương đối an toàn. Tuy nhiên, việc áp dụng đúng sự riêng tư khác biệt có thể rất khó, đặc biệt là nếu có các khối lượng dữ liệu khác nhau cho các cá nhân khác nhau và các mối quan hệ phức tạp hơn, chẳng hạn như những người sống trong cùng một ngôi nhà. Và dữ liệu tổng hợp được tạo ra từ mô hình này thường có khả năng bao gồm, bởi cơ hội, dữ liệu thực mà một cá nhân có thể tuyên bố là của riêng họ vì nó quá giống.

GEMINAI giải quyết những vấn đề này và nhiều hơn nữa bằng cách kết hợp nhiều kỹ thuật bảo mật khi tổng hợp dữ liệu. Nó sử dụng một hình thức thực tế của sự riêng tư khác biệt có thể thích ứng với nhiều loại dữ liệu khác nhau. Nó được xây dựng dựa trên động cơ REACTOR của chúng tôi, vì vậy nó cũng biết được xác suất rằng bất kỳ phần nào của dữ liệu có thể bị nhầm lẫn với nhau, và tổng hợp dữ liệu để đảm bảo rằng nó luôn đủ khác biệt so với dữ liệu ban đầu tương tự nhất. Ngoài ra, nó coi mọi trường, mọi phần dữ liệu là có thể nhạy cảm hoặc xác định, vì vậy nó áp dụng các hình thức thực tế của sự riêng tư khác biệt cho các trường không được coi là nhạy cảm nhưng có thể xác định một cá nhân duy nhất, chẳng hạn như giao dịch duy nhất trong một cửa hàng 24 giờ giữa 2 giờ sáng và 3 giờ sáng. Chúng tôi thường gọi đây là “tái tạo riêng tư chéo”.

GEMINAI có thể đạt được độ chính xác cao cho hầu như bất kỳ mục đích nào, trông giống như dữ liệu ban đầu, nhưng ngăn chặn bất kỳ ai tìm thấy bất kỳ dữ liệu tổng hợp nào quá giống với dữ liệu tổng hợp.

Diveplane đã đóng vai trò quan trọng trong việc đồng sáng lập Liên minh Dữ liệu & Tin cậy, điều này có nghĩa là gì?

Đây là một nhóm tuyệt vời của các CEO công nghệ, cộng tác để phát triển và áp dụng các thực tiễn dữ liệu và trí tuệ nhân tạo có trách nhiệm. Các tổ chức hàng đầu như IBM, Johnson&Johnson, Mastercard (MA ), UPS, Walmart (WMT ) và Diveplane. Chúng tôi rất tự hào đã được một phần của những giai đoạn đầu và cũng tự hào về công việc chúng tôi đã cùng nhau thực hiện trên các sáng kiến của mình.

Diveplane gần đây đã huy động thành công một vòng tài trợ Series A, điều này sẽ có nghĩa là gì cho tương lai của công ty?

Chúng tôi đã may mắn thành công với các dự án doanh nghiệp của mình, nhưng việc thay đổi thế giới một lần một doanh nghiệp tại một thời điểm là rất khó. Chúng tôi sẽ sử dụng sự hỗ trợ này để xây dựng đội ngũ của mình, chia sẻ thông điệp của mình và đưa Trí tuệ nhân tạo có thể hiểu được vào càng nhiều nơi càng tốt!

Có điều gì khác mà bạn muốn chia sẻ về Diveplane?

Diveplane là tất cả về việc đảm bảo rằng trí tuệ nhân tạo được thực hiện đúng khi nó trở nên phổ biến. Chúng tôi về trí tuệ nhân tạo công bằng, minh bạch và có thể hiểu được, chủ động chỉ ra những gì đang thúc đẩy quyết định, và chuyển hướng khỏi tư duy “hộp đen” trong trí tuệ nhân tạo có thể không công bằng, không đạo đức và thiên vị. Chúng tôi tin rằng khả năng giải thích là tương lai của trí tuệ nhân tạo và chúng tôi rất hào hứng được đóng vai trò quan trọng trong việc thúc đẩy nó!

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Diveplane.