HPE Swarm Learning, en decentraliserad lösning för maskininlärning med bibehållen integritet, tillåter användare att dela resultat vid edge och distribuerade sajter utan att tumma på dataintegritet.
Lösningen förbättrar träffsäkerheten och minskar partiskhet inom AI-modellering genom tillgång till mer data.
Lösningen levererar möjligheten för organisationer att samarbeta världen över.
Hewlett Packard Enterprise (NYSE: HPE) meddelade idag lanseringen av HPE Swarm Learning, ett genombrott inom AI vid edge som hjälper till att påskynda skapandet av insikter vid en lång rad användningsområden. Till exempel medicinsk diagnostik och detektion av kortbedrägerier kan dra nytta av den nya tekniken genom att dela och göra inlärningsmodeller för AI enhetliga, utan att kompromissa med dataintegritet.
HPE Swarm Learning har utvecklats av Hewlett Packard Labs, HPE:s avdelning för forskning och utveckling, och är branschens första decentraliserade ramverk för maskininlärning vid edge och distribuerade sajter1 som bibehåller dataintegriteten. Lösningen erbjuder kunder containers som är lätta att integrera med AI-modeller med hjälp av HPE swarm API. Användare kan enkelt dela insikter med sin organisation och externa parter för att förbättra inlärning, utan att dela faktisk data.
”Swarm learning är ett viktigt framsteg på AI-marknaden, med brett stöd från publika och privata sektorer. Styrkan ligger i att kunna bygga på med ny data och innovation och insikter från organisationer runtom i världen. HPE bidrar till swarm learning-rörelsen på ett meningsfullt sätt genom att leverera en lösning i enterprise-klass som gör det möjligt för organisationer att samarbeta, innovera och påskynda AI-modellering samtidigt som de bibehåller sina individuella standarder för etik, dataintegritet och regelefterlevnad”, sade Justin Hotard, executive vice president and general manager, HPC & AI, at HPE.
Ett nytt förhållningssätt mot AI säkrar insikter vid edge
I dagsläget sker majoriteten av AI-modellering och inlärning centralt, vilket förlitar sig på centraliserad och sammanslagen data. Nackdelen är att denna metod kan vara ineffektiv och dyr tack vare kravet att flytta stora mängder data till en källa. Även regler gällande dataintegritet och ägarskap av data kan begränsa delning av data, vilket potentiellt leder till mindre precisa och partiska modeller. Genom att utföra inlärning och beräkningar vid edge kan bolag snabba på tid till
beslut, direkt där de gör störst skillnad. Dessutom kan lärdomar delas från en organisation med en annan från datakällan, vilket innebär att branscher världen över kan dra nytta av bättre data, för bättre affärs- och samhällsmässiga beslut.
Extern delning av data är en utmaning för organisationer som lyder under regelverk som begränsar var data får skickas. HPE Swarm Learning är unikt i att det tillåter organisationer att använda distribuerad data som ökar mängden tillgängliga data för maskininlärning på ett rättvist sätt, vilket innebär att nya modeller kan skapas utan att kompromissa med dataintegritet. För att se till att endast lärdomar från edge inhämtas, och inte faktisk data, nyttjar HPE Swarm Learning blockkedjeteknik för säker onboarding av nya medlemmar, dynamiskt val av ny ledare och sammanslagning av modellparametrar för att bibehålla nätverkets integritet och säkerhet. Genom att bara dela resultat tillåts användare av HPE Swarm Learning nyttja stora mängder data utan att tumma på datasäkerhet och mängden partiskhet i modellerna minskar, samtidigt som noggrannheten ökar.
“Swarmifiering” av data gerallmännyttig AI
HPE Swarm Learning kan hjälpa en lång rad organisationer samarbeta och förbättra insikter, t.ex.:
- Sjukhus kan nyttja insikter från bildarkiv, tomografi och magnetröntgen. Dessa och data från genexpression kan delas mellan sjukhus och förbättra diagnosticering av sjukdomar utan att dela
- Banker och finansiella tjänster kan motverka den väntade globala förlusten om över 400 miljarder USD inom kortbedrägerier över det kommande decenniet2 genom att dela bedrägerirelaterade insikter med fler institutioner än
- Tillverkande industri kan bättre förutse reparationsbehov och tillgodose dessa innan de havererar och skapar oönskad nedtid. Med swarm learning effektiviseras underhållsarbetet med hjälp av data från sensorer över flera
Exempel på tidiga brukare av HPE Swarm Learning:
Aachens universitet studerar histopatologi och påskyndar diagnoser av tjocktarmscancer
Ett lag med cancerforskare på det tyska universitetssjukhuset RWTH University Aachen har genomfört en studie som förbättrar diagnosticering av tjocktarmscancer. Med hjälp av AI-analys av bilder kan genetiska förändringar förutspås, vilka kan leda till bildandet av cancerceller.
Forskarna tränade AI-modeller med HPE Swarm Learning med tre grupper av patienter från Irland, Tyskland och USA, samt validerade systemets förmåga att förutsäga resultat i två fristående datagrupper från Storbritannien med hjälp av samma swarm learning-baserade AI-modeller.
Resultaten visar att de ursprungliga AI-modellerna, som utvecklats med hjälp av endast lokal data, presterade sämre än swarm learning tack vare delandet av resultat, men inte patientdata, med andra vårdinstitutioner.
TigerGraph förbättrar spårning av otillbörlig kreditkortsanvändning
TigerGraph, ett bolag specialiserat på att upptäcka bedrägerier, kombinerar HPE Swarm Learning med bolagets egen dataanalys på HPE ProLiant-servrarmed AMD EPYC™-processorer för att förbättra sina möjligheter att spåra ovanlig aktivitet vid bruk av kreditkort. Den kombinerade lösningen förbättrar precisionen vid modellering av maskininlärning från stora mängder finansiell data från ett flertal banker och avdelningar över ett brett spann platser i världen.
Tillgänglighet
HPE Swarm Learning är nu tillgängligt i de flesta länder. För mer info, besök hpe.com/info/swarm- learning
HPE levererar en komplett lösning för utveckling av maskininlärning
HPE tillkännagav idag också att bolaget tar bort ett av hindren för storbolag att enkelt bygga och lära upp maskininlärning på stor skala för att snabbare nå lönsamhet, med det nya HPE Machine Learning Development System. Det nya systemet, som utvecklats speciellt för AI, är en end-to-end-lösning som innefattar en mjukvaruplattform för maskininlärning, beräkning, acceleratorer och nätverk för att snabbare och precisare utveckla AI-modeller i stor skala.
