Hewlett Packard Enterprise (NYSE: HPE) anunció el lanzamiento de HPE Swarm Learning, una innovadora solución de inteligencia artificial para acelerar los conocimientos en el borde, desde el diagnóstico de enfermedades hasta la detección de fraudes con tarjetas de crédito, al compartir y unificar los aprendizajes del modelo de inteligencia artificial sin comprometer la privacidad de los datos.
HPE Swarm Learning, que fue desarrollado por Hewlett Packard Labs, la organización de I+D de HPE, es el primer marco de aprendizaje automático descentralizado que preserva la privacidad de la industria para sitios periféricos o distribuidos.1 La solución proporciona a los clientes contenedores que se integran fácilmente con modelos de IA mediante la API de enjambre de HPE. Luego, los usuarios pueden compartir de inmediato los aprendizajes del modelo de IA dentro de su organización y fuera de ellos con colegas de la industria para mejorar la capacitación, sin compartir datos reales.
“El aprendizaje de enjambres es un enfoque nuevo y poderoso para la IA que ya ha progresado en el abordaje de desafíos globales, como el avance de la atención médica de los pacientes y la mejora de la detección de anomalías que ayudan a los esfuerzos en la detección de fraudes y el mantenimiento predictivo”, dijo Justin Hotard, vicepresidente ejecutivo y gerente general. , HPC e IA, en HPE. “HPE está contribuyendo al movimiento de aprendizaje en enjambre de manera significativa al ofrecer una solución de clase empresarial que permite a las organizaciones colaborar, innovar y acelerar el poder de los modelos de IA de manera única, al tiempo que preserva la ética, la privacidad de datos y los estándares de gobierno de cada organización. ”
Presentamos un nuevo enfoque de IA para aprovechar de forma segura los conocimientos en el perímetro
En la actualidad, la mayor parte del entrenamiento del modelo de IA se realiza en una ubicación central, que se basa en conjuntos de datos combinados centralizados. Sin embargo, este enfoque puede resultar ineficaz y costoso debido a la necesidad de trasladar grandes volúmenes de datos a la misma fuente. También puede verse limitado por las normas y reglamentos de privacidad y propiedad de los datos que limitan el intercambio y el movimiento de datos, lo que puede generar modelos inexactos y sesgados. Mediante la capacitación de modelos y el aprovechamiento de conocimientos en el perímetro, las empresas pueden tomar decisiones más rápido, en el punto de impacto, lo que genera mejores experiencias y resultados. Además, al compartir los aprendizajes de una organización con otra en la fuente de datos, varias industrias en todo el mundo pueden unirse y mejorar aún más la inteligencia que puede conducir a grandes resultados comerciales y sociales.
Sin embargo, compartir datos externamente puede plantear un desafío para las organizaciones que deben cumplir con los requisitos de cumplimiento, reglamentarios o de gobierno de datos, lo que exige que los datos permanezcan en su ubicación. HPE Swarm Learning permite de manera única a las organizaciones usar datos distribuidos en su origen, lo que aumenta el tamaño del conjunto de datos para la capacitación, para crear modelos de aprendizaje automático para aprender de manera equitativa, al tiempo que preserva la privacidad y el gobierno de datos. Para garantizar que solo se compartan los aprendizajes capturados desde el perímetro, y no los datos en sí, HPE Swarm Learning utiliza la tecnología blockchain para incorporar de forma segura a los miembros, elegir dinámicamente a un líder y fusionar los parámetros del modelo para brindar resiliencia y seguridad a la red de enjambre. Además, al compartir solo los aprendizajes, HPE Swarm Learning permite a los usuarios aprovechar grandes conjuntos de datos de capacitación, sin comprometer la privacidad, y ayuda a eliminar sesgos para aumentar la precisión en los modelos.
Datos de «enjambre» para potenciar la IA para el bien común
HPE Swarm Learning puede ayudar a una variedad de organizaciones a colaborar y mejorar los conocimientos:
- hospitales puede derivar aprendizajes de registros de imágenes, tomografías computarizadas y resonancias magnéticas y datos de expresión génica para compartir de un hospital a otro para mejorar el diagnóstico de enfermedades y otras dolencias, al tiempo que protege la información del paciente.
- Servicios bancarios y financieros puede combatir la pérdida global esperada de más de $ 400 mil millones en fraude con tarjetas de crédito durante la próxima década2al compartir aprendizajes relacionados con el fraude con más de una institución financiera a la vez.
- Centros de produccion puede beneficiarse del mantenimiento predictivo para obtener información sobre las necesidades de reparación de equipos y abordarlas antes de que fallen y provoquen tiempos de inactividad no deseados. Al aprovechar el aprendizaje de enjambres, los gerentes de mantenimiento pueden obtener una mejor perspectiva al recopilar aprendizajes de los datos de los sensores en múltiples sitios de fabricación.
Ejemplos de casos de uso de los primeros usuarios de HPE Swarm Learning incluyen:
La Universidad de Aquisgrán estudia la histopatología para acelerar el diagnóstico del cáncer de colon
Un equipo de investigadores de cáncer del Hospital Universitario de la Universidad RWTH de Aquisgrán en Alemania realizó un estudio para avanzar en el diagnóstico del cáncer de colon mediante la aplicación de IA en el procesamiento de imágenes para predecir alteraciones genéticas que pueden hacer que las células se vuelvan cancerosas.
Los investigadores entrenaron modelos de IA utilizando HPE Swarm Learning en tres grupos de pacientes de Irlanda, Alemania y EE. UU. y validaron el rendimiento de la predicción en dos conjuntos de datos independientes del Reino Unido utilizando los mismos modelos de IA basados en el aprendizaje de enjambre. Los resultados demostraron que los modelos de IA originales, que se entrenaban solo con datos locales, se superaron con el aprendizaje de enjambre debido al intercambio de aprendizajes, pero no los datos del paciente, con otras entidades para mejorar las predicciones.
TigerGraph avanza en la detección de anomalías para ayudar a los bancos a combatir el fraude con tarjetas de crédito
TigerGraph, proveedor de una plataforma de análisis de gráficos líder, combina HPE Swarm Learning con su oferta de análisis de datos que se ejecuta en servidores HPE ProLiant que utilizan procesadores AMD EPYC™ para aumentar los esfuerzos en la detección rápida de actividades inusuales en transacciones con tarjetas de crédito. La solución combinada aumenta la precisión al entrenar modelos de aprendizaje automático a partir de grandes cantidades de datos financieros de múltiples bancos y sucursales, en ubicaciones geológicas.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1
