HPE innova con su solución de aprendizaje en enjambre para el extremo y ubicaciones distribuidas
Hewlett Packard Enterprise, HPE, ha dado a conocer el lanzamiento de HPE Swarm Learning, una innovadora solución de Inteligencia Artificial para acelerar el conocimiento en el extremo, desde el diagnóstico de enfermedades hasta la detección de fraudes con tarjetas de crédito, al compartir y unificar aprendizajes de modelos de IA 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 framework de Machine Learning descentralizado que preserva la privacidad de la industria para el extremo o ubicaciones distribuidas. La solución proporciona a los clientes contenedores que se integran fácilmente con modelos de IA mediante HPE Swarm API. Los usuarios pueden compartir de inmediato los aprendizajes del modelo de IA, ya sea dentro de su organización o fuera de ella con otros colegas de la industria, para mejorar el entrenamiento, sin necesidad de compartir datos reales.
“El aprendizaje en enjambre es un nuevo y poderoso enfoque de la IA que ya ha conseguidos logros en el abordaje de desafíos globales, como avances en la atención médica del paciente y mejoras en la detección de anomalías para detectar posibles fraudes y mejorar el mantenimiento predictivo”, ha detallado Justin Hotard, vicepresidente ejecutivo y gerente general, HPC & IA, en HPE. “HPE está contribuyendo al movimiento de aprendizaje en enjambre o swarm learning de manera significativa al ofrecer una solución empresarial que permite a las organizaciones colaborar, innovar y acelerar el poder de los modelos IA de manera única, al tiempo que preserva la ética, la privacidad de los datos y los estándares de gobierno de cada organización”.
Un nuevo enfoque de IA para aprovechar de forma segura los conocimientos en el extremo
Hoy en día, la mayor parte del entrenamiento de los modelos de IA tienen lugar en una ubicación central, que se basa en conjuntos de datos centralizados. Sin embargo, este enfoque puede ser ineficiente y costoso debido a que se deben transferir grandes cantidades 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 éstos, lo que puede conducir potencialmente a modelos inexactos y sesgados. Mediante el entrenamiento de modelos y el aprovechamiento de conocimientos en el extremo, las empresas pueden tomar decisiones de manera más rápida, en el momento adecuado, lo que lleva a conseguir mejores experiencias y resultados. Además, al compartir los aprendizajes de una organización con otra, las industrias en todo el mundo pueden unirse y mejorar aún más la inteligencia de sus modelos, lo que propicia la obtención de grandes resultados comerciales y sociales.
Sin embargo, compartir datos externamente puede plantear un desafío para las organizaciones que deben cumplir las normativas de gobernanza de datos o los requisitos legales, lo que exige que los datos permanezcan en su ubicación. HPE Swarm Learning permite a las organizaciones utilizar datos distribuidos en su origen, lo que aumenta el tamaño del conjunto de datos para el entrenamiento, y así permite crear modelos de Machine Learning para aprender de manera equitativa, al tiempo que preserva la privacidad de los datos. Para garantizar que solo se compartan los aprendizajes capturados desde el extremo, y no los datos en sí, HPE Swarm Learning utiliza la tecnología blockchain para incorporar miembros de forma segura, elegir dinámicamente un líder y fusionar los parámetros de los modelos para proporcionar resiliencia y seguridad a la red formada por el enjambre de colaboradores. Además, al compartir solo los aprendizajes, HPE Swarm Learning permite a los usuarios aprovechar grandes conjuntos de datos de entrenamiento, sin comprometer su privacidad, y ayuda a eliminar los sesgos aumentando la precisión en los modelos.
Datos en enjambre para potenciar la IA en aras del bien común
HPE Swarm Learning puede ayudar a una variedad de organizaciones a colaborar y mejorar sus conocimientos:
• Los hospitales pueden obtener aprendizajes de registros de imágenes, tomografías computerizadas, resonancias magnéticas y datos de expresión genética para compartir de un hospital a otro y mejorar así el diagnóstico de enfermedades y otras dolencias, al tiempo que protegen la información del paciente.
• Los servicios bancarios y financieros pueden combatir la pérdida global prevista de más de 400 mil millones de dólares en fraudes con tarjetas de crédito durante la próxima década2 al compartir los aprendizajes relacionados con el fraude con más de una institución financiera a la vez.
• Las fábricas pueden 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 en enjambre, los encargados de mantenimiento pueden obtener una mejor perspectiva al recopilar el aprendizaje obtenido de los datos de los sensores en múltiples industrias.
