mardi, 31 janvier 2023

L’apprentissage fédéré est la clé de la sécurisation de l’IA

La grotte d’Altxerri à Aia, en Espagne, se compose de peintures rupestres dont l’âge est estimé à environ 39 000 ans. Parmi les plus anciennes connues, ces illustrations illustrent des bisons, des rennes, des aurochs, des antilopes et d’autres animaux et personnages.

C’est ce que Xabi Uribe-Etxebarria appelle l’un des premiers types de « stockage de données ».

Nous avons évidemment parcouru un long chemin depuis les dessins de caverne. La collecte d’informations s’est accélérée au fil des siècles ; au cours des dernières années seulement, sa collecte et son stockage ont augmenté à une vitesse jamais vue auparavant, tout comme les attaques à son encontre.

En tant que tel, « notre vie privée est menacée », a déclaré Uribe-Etxebarria. « Donc, nous devons agir. »

La société d’Uribe-Etxebarria, Sherpa, le fait grâce à la connaissance fédérée, une méthode d’intelligence artificielle (ML) qui forme des algorithmes sur de nombreux serveurs décentralisés, y compris des informations locales, mais sans partager ou partager accidentellement ces informations.

L’entreprise a dévoilé aujourd’hui le lancement de sa plateforme de formation de modèles d’intelligence artificielle (IA) « préservant la vie privée ».

Uribe-Etxebarria, créateur et PDG, a déclaré que l’entreprise considère la confidentialité des données « une valeur éthique essentielle » et que sa plate-forme « peut être une étape clé dans la manière dont les données sont utilisées dans une méthode privée et protégée pour l’IA ».

La vie privée freine les progrès

Les stratégies de ML standard doivent centraliser les informations de formation sur un seul appareil ou dans un centre de données. En revanche, l’apprentissage fédéré – qui a été créé et présenté par en 2016 – permet aux utilisateurs de partager des données depuis un autre emplacement pour former un modèle de connaissance approfondie.

Chaque utilisateur peut télécharger le modèle depuis un centre d’information dans le cloud, le former sur ses données personnelles, résumer et sécuriser sa nouvelle configuration. Il est ensuite renvoyé dans le cloud, déchiffré, moyenné et intégré au modèle centralisé.

« Itération après version, la formation collaborative se poursuit jusqu’à ce que la conception soit complètement formée », expliquent les chercheurs d’IBM.

Cependant, la difficulté est que des prévisions utiles et précises nécessitent une mine d’informations de formation – et de nombreuses organisations, en particulier celles des industries gérées, hésitent à partager des informations sensibles qui pourraient développer des modèles d’IA et de ML.

Partager des informations sans les exposer

C’est le problème que Sherpa cherche à résoudre. Selon Uribe-Etxebarria, sa plate-forme permet une formation en conception d’IA sans partage d’informations privées. Cela, a-t-il déclaré, peut aider à améliorer la précision des modèles et des prédictions d’algorithmes, à garantir la conformité réglementaire – et cela peut également aider à réduire l’empreinte carbone.

Uribe-Etxebarria a expliqué que l’un des problèmes majeurs de l’IA est la quantité considérable d’énergie qu’elle utilise en raison des quantités élevées de calculs nécessaires pour construire et entraîner des conceptions précises. Des recherches ont suggéré que l’apprentissage fédéré peut réduire d’environ 70 % l’apport énergétique dans la formation de modèles.

Sherpa affirme que sa plate-forme réduit l’interaction entre les nœuds d’environ 99 %. Ses innovations sous-jacentes consistent en un cryptage homomorphe, un calcul multipartite protégé, une confidentialité différentielle, un apprentissage aveugle et des preuves à connaissance nulle.

L’entreprise – dont le groupe est composé de Carsten Bönnemann des National Institutes of Health du Département américain de la santé et des services humains et de Tom Gruber, ancien CTO et créateur de Siri – a en fait signé des contrats avec le NIH, KPMG et Telefónica. Uribe-Etxebarria a déclaré que le NIH utilise déjà la plate-forme pour aider à améliorer les algorithmes de diagnostic et de traitement des maladies.

De nombreux cas d’utilisation pour l’apprentissage fédéré

Les scientifiques d’IBM ont déclaré que l’agrégation des dossiers monétaires des clients pourrait permettre aux banques de créer des cotes de crédit client plus précises ou d’identifier les fraudes. La mise en commun des réclamations d’assurance automobile pourrait contribuer à améliorer la sécurité des routes et des chauffeurs ; rassembler des images satellites pourrait se traduire par de meilleures prévisions concernant le climat et l’élévation du niveau de l’eau.

Et, « les données locales de milliards de gadgets connectés à Internet pourraient nous informer sur des choses que nous n’avons pas encore pensé demander », ont écrit les scientifiques.

Uribe-Etxebarria a souligné la valeur de l’apprentissage fédéré dans les études de recherche scientifique : l’IA peut être exploitée pour assister des modèles ponctuels ou des biomarqueurs que l’œil humain ne peut pas voir. Les algorithmes peuvent tirer parti en toute sécurité des informations personnelles – telles que les radiographies, les dossiers médicaux, les tests sanguins et de glycémie, les électrocardiogrammes et la surveillance de la pression artérielle – pour les découvrir et éventuellement les prédire.

« Je suis enthousiasmé par le potentiel de la science des données et de l’intelligence artificielle pour prendre de meilleures décisions, sauver des vies et créer de toutes nouvelles opportunités économiques », a déclaré Thomas Kalil, ancien directeur de la science et de la politique d’innovation au White Home, et maintenant conseiller principal de Sherpa pour l’innovation.

Il a néanmoins noté que « nous ne pourrons pas reconnaître la capacité du ML à moins que nous ne puissions également protéger la vie privée des personnes et empêcher le genre des violations d’informations qui permettent aux escrocs d’accéder à des milliards d’informations. »

Uribe-Etxebarria a accepté, déclarant : « ce n’est que le début d’un long voyage, et nous avons encore beaucoup de travail devant nous ».

L’objectif de VentureBeat est d’être une place publique numérique permettant aux décideurs techniques de comprendre la technologie d’entreprise transformatrice et d’effectuer des transactions. Découvrez nos Rundowns.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici