DynamoFL wil privacybeschermende AI naar meer industrieën brengen

Regelgeving inzake gegevensprivacy zoals de AVG, de CCPA en HIPAA vormen een uitdaging voor het trainen van AI-systemen voor gevoelige gegevens, zoals financiële transacties, patiëntendossiers en logboeken van gebruikersapparaten. Historische gegevens zijn wat AI-systemen “leert” om patronen te identificeren en voorspellingen te doen, maar er zijn technische hindernissen om het te gebruiken zonder de identiteit van een persoon in gevaar te brengen.

Een tijdelijke oplossing die de afgelopen jaren aan populariteit heeft gewonnen, is federatief leren. De techniek traint een systeem op meerdere apparaten of servers die gegevens bevatten zonder deze ooit uit te wisselen, waardoor medewerkers een gemeenschappelijk systeem kunnen bouwen zonder gegevens te delen. Intel werkte onlangs samen met Penn Medicine om een ​​classificatiesysteem voor hersentumoren te ontwikkelen dat gebruikmaakt van federatief leren, terwijl een groep grote farmaceutische bedrijven, waaronder Novartis en Merck, een federatief leerplatform bouwde om de ontdekking van geneesmiddelen te versnellen.

Techreuzen, waaronder Nvidia (via Clara), bieden federatief leren als een service. Maar een nieuwe startup, DynamoFL, hoopt de gevestigde exploitanten aan te pakken met een federatief leerplatform dat zich richt op prestaties, ogenschijnlijk zonder in te boeten aan privacy.

DynamoFL is opgericht door twee MIT Department of Electrical Engineering and Computer Science PhD’s, Christian Lau en ikzelf, die de afgelopen vijf jaar heeft gewerkt aan privacybeschermende machine learning en hardware voor machine learning”, vertelde CEO Vaikkunth Mugunthan aan TechCrunch in een e-mailinterview. “Wij ontdekte een enorme markt voor federatief leren nadat we herhaalde werkaanbiedingen ontvingen van toonaangevende financiële en technologiebedrijven die intern federatief leren probeerden uit te bouwen in het licht van opkomende privacyregelgeving zoals GDPR en CCPA. Tijdens dit proces was het duidelijk dat deze organisaties moeite hadden om intern federatief leren op te vangen en we hebben DynamoFL gebouwd om dit gat in de markt aan te pakken.”

DynamoFL – die beweert te hebben belangrijke klanten in de automobiel-, internet-of-things- en financiële sector — bevindt zich in de beginfase van zijn go-to-market-strategie. (De startup heeft momenteel vier werknemers, met plannen om tegen het einde van het jaar 10 in dienst te nemen.) Maar DynamoFL heeft zich gericht op het verfijnen van nieuwe AI-technieken om zich te onderscheiden van de concurrentie, en biedt mogelijkheden die de systeemprestaties vermoedelijk verbeteren, terwijl vechten aanvallen en kwetsbaarheden in federatief leren – zoals ‘lidinferentie’-aanvallen die het mogelijk maken om de gegevens te detecteren die worden gebruikt om een ​​systeem te trainen.

Fotocredits: DynamoFL

“Onze gepersonaliseerde federatieve leertechnologie … enable[s] machine learning-teams om hun modellen te verfijnen om de prestaties van individuele cohorten te verbeteren. Dit geeft C-suite executives meer vertrouwen bij het implementeren van machine learning-modellen die voorheen als black-box-oplossingen werden beschouwd.” zei Mugunthan. “Deze [also] onderscheidt ons van concurrenten zoals Devron, Rhino Health, Owkin, NimbleEdge en FedML die worstelen met de gemeenschappelijke uitdagingen van traditioneel federatief leren.”

DynamoFL adverteert ook met zijn platform als kostenefficiënt vergeleken met andere privacybeschermende AI-puntoplossingen. SAangezien federatief leren niet de massale verzameling van gegevens op een centrale server vereist, kan DynamoFL de kosten voor gegevensoverdracht en berekening verlagen, stelt Mugunthan, waarbij een klant bijvoorbeeld alleen kleine, incrementele bestanden kan verzenden in plaats van petabytes aan onbewerkte gegevens. Als bijkomend voordeel kan dit het risico op datalekken verminderen door de noodzaak om grote hoeveelheden data op een enkele server op te slaan, weg te nemen.

Veelvoorkomende privacyverhogende technologieën zoals differentiële privacy en federatief leren hebben te lijden gehad van een eeuwige ‘privacy versus prestatie’-afweging, waarbij het gebruik van robuustere privacybeschermende technieken tijdens modeltraining onvermijdelijk resulteert in een slechtere modelnauwkeurigheid. Deze kritieke bottleneck-uitdaging heeft veel machine learning-teams verhinderd om privacybeschermende machine learning-technologieën toe te passen die nodig zijn om de privacy van gebruikers te beschermen en tegelijkertijd te voldoen aan regelgevende kaders,” zei Mugunthan. “De gepersonaliseerde, gefedereerde leeroplossing van DynamoFL pakt een cruciale hindernis aan voor de acceptatie van machine learning.”

Onlangs sloot DynamoFL een kleine seed-ronde ($ 4,15 miljoen bij een waardering van $ 35 miljoen) met deelname van Y Combinator, Global Founders Capital en Basis Set; de startup maakt deel uit van de Winter 2022-batch van Y Combinator. Mugunthan zegt dat de opbrengst voornamelijk zal worden besteed aan het werven van productmanagers die de technologieën van DynamoFL kunnen integreren in toekomstige, gebruiksvriendelijke producten.

“De pandemie heeft het belang benadrukt van het snel benutten van diverse gegevens voor opkomende crises in de gezondheidszorg. De pandemie onderstreepte met name hoe kritieke medische gegevens in tijden van crisis toegankelijker moeten worden gemaakt, terwijl de privacy van de patiënt toch moet worden beschermd”, vervolgde Mugunthan. “We zijn goed gepositioneerd om de vertraging in de technologie te doorstaan. We hebben momenteel drie tot vier jaar landingsbaan, en de tech vertraging heeft onze wervingsinspanningen daadwerkelijk ondersteund. De grootste technologiebedrijven namen de meerderheid van de leidende federatieve leerwetenschappers aan, dus de vertraging bij het inhuren van grote technologie heeft ons de mogelijkheid geboden om toptalent voor federatief leren en machine learning in dienst te nemen.”

Leave a Comment