HPE Swarm Learning, una solución de aprendizaje automático descentralizada que mantiene la privacidad permite a los usuarios compartir aprendizajes desde el computo en el edge, o sitios distribuidos, sin comprometer la privacidad de los datos

HPE Swarm Learning
Hewlett Packard Enterprise anunció el lanzamiento de HPE Swarm Learning, una innovadora solución de inteligencia artificial (IA) que acelera las percepciones en el borde, desde el diagnóstico de enfermedades hasta la detección de fraude a tarjetas de crédito, ya que comparte y unifica los aprendizajes de los modelos de IA sin comprometer la privacidad de los datos.

HPE Swarm Learning, que fue desarrollada por Hewlett Packard Labs, la organización de I+D de HPE, es la primera solución descentralizada de machine learning con preservación de privacidad en el edge o los sitios distribuidos.1 La solución ofrece a los clientes contenedores que se integran en los modelos de IA a través de la API HPE Swarm. Los usuarios pueden entonces compartir de inmediato los aprendizajes del modelo de IA dentro de su organización y socios para mejorar el entrenamiento sin compartir datos reales.

“El aprendizaje distribuido o swarm learning es un nuevo y potente enfoque en torno a la IA que ha progresado para resolver desafíos globales, tales como mejorar la atención médica y optimizar la detección de anomalías, que asiste en los esfuerzos de detección de fraudes y mantenimiento predictivo”, dijo Justin Hotard, vicepresidente ejecutivo y director general de HPC e IA en HPE. “HPE contribuye al movimiento de aprendizaje distribuido de manera significativa mediante la entrega de una solución empresarial que permite a las organizaciones colaborar, innovar y acelerar la potencia de los modelos de IA, al tiempo que preserva la ética, la privacidad de los datos y las normas de gobernabilidad de cada organización”.


VIDEO: The Big Shift: What is Swarm Learning? (El gran cambio: ¿Qué es el aprendizaje distribuido?)

 

Presentamos un nuevo enfoque en la IA para aprovechar las percepciones de manera segura en computo en el borde

Hoy, la mayoría del entrenamiento de los modelos de IA se lleva a cabo en una ubicación central que depende de conjuntos de datos fusionados y centralizados. Sin embargo, este enfoque puede ser ineficiente y costoso debido a que grandes volúmenes de datos se tienen que trasladar a la misma fuente. También puede estar sujeto a las reglas de privacidad de datos y propiedad de datos y a las regulaciones que restringen el intercambio y traslado de datos, lo que puede conducir a modelos imprecisos o sesgados. Al entrenar los modelos y aprovechar las percepciones en el edge, las empresas pueden tomar decisiones más rápido, en el punto de impacto, lo que genera mejores experiencias y resultados. Asimismo, al compartir los aprendizajes entre una organización y otra en la fuente de datos, varias industrias del mundo pueden unificar y mejorar aún más la inteligencia que puede conducir a resultados empresariales y sociales impresionantes.

Sin embargo, compartir los datos externamente puede representar un reto para las organizaciones que deben cumplir con requerimientos de gobernabilidad de datos, regulativos o de cumplimiento que exigen que los datos permanezcan en su ubicación. La solución HPE Swarm Learning permite a las organizaciones utilizar datos distribuidos en su fuente, lo que incrementa el tamaño de los conjuntos de datos de entrenamiento, para desarrollar modelos de aprendizaje automático y aprender de manera equitativa mientras se preserva la privacidad y gobernabilidad de los datos. Hay que asegurar que solo los aprendizajes captados desde el borde se compartan, y no los datos en sí, HPE Swarm Learning utiliza tecnología de blockchain o cadena de bloques que incorpora a los miembros de manera segura, elegir a un líder de forma dinámica y fusionar los parámetros del modelo para brindar resiliencia y seguridad a la red masiva. Además, debido a que solo comparte los aprendizajes, HPE Swarm Learning permite a los usuarios aprovechar grandes conjuntos de datos de entrenamiento, sin comprometer la privacidad, y ayuda a eliminar el sesgo para incrementar la precisión en los modelos.


“Masificar” los datos y empoderar la inteligencia artificial

HPE Swarm Learning puede ayudar a diversas organizaciones a colaborar y mejorar las percepciones:

 

  • Los hospitales pueden derivar aprendizajes de los expedientes de imagenología, las tomografías y resonancias magnéticas y los datos de expresión genética que comparten entre los hospitales, con el fin de mejorar el diagnóstico de enfermedades y otras dolencias, así como proteger la información de los pacientes.
  • Los servicios bancarios y financieros pueden combatir la esperada pérdida global de más de USD 400,000 millones en fraude a tarjetas de crédito a lo largo de la próxima década2 si comparten los aprendizajes sobre fraude con más de una institución financiera a la vez.
  • Manufactura en fábricas pueden beneficiarse del mantenimiento predictivo para obtener información sobre las necesidades de reparación de equipos y atenderlas antes de que fallen y ocasionen tiempo improductivo inesperado. Con el aprendizaje masivo, los gerentes de mantenimiento pueden obtener mejor información cuando recopilan aprendizajes de los datos de los sensores en múltiples plantas de fabricación.

 

HPE Swarm Learning
Algunos ejemplos de casos de uso de los primeros en adoptar HPE Swarm Learning son:


La Universidad de Aachen estudia histopatología para acelerar el diagnóstico de cáncer de colon

Un equipo de investigadores de cáncer en el Hospital Universitario de la Universidad RWTH Aachen en Alemania, condujo un estudio que mejora el diagnóstico de cáncer de colon mediante la aplicación de IA en el procesamiento de imágenes para predecir alteraciones genéticas que causan que las células se vuelvan cancerosas.

Los investigadores entrenaron los modelos de IA con HPE Swarm Learning en tres grupos de pacientes de Irlanda, Alemania y Estados Unidos y confirmaron el rendimiento predictivo en dos conjuntos de datos independientes del Reino Unido utilizando los mismos modelos de IA basados en aprendizaje masivo. Los resultados demostraron que los modelos de IA originales, entrenados únicamente con datos locales, se superaron utilizando el aprendizaje masivo debido a que los aprendizajes, pero no los datos del paciente se compartieron con otras entidades para mejorar las predicciones.

TigerGraph optimiza la detección de anomalías y ayuda a los bancos a combatir el fraude a tarjetas de crédito

TigerGraph, proveedor de una plataforma líder de análisis de gráficos, combina HPE Swarm Learning con su oferta de análisis de datos en los servidores HPE ProLiant con procesadores AMD EPYC™ para detectar rápidamente la actividad inusual en las transacciones con tarjeta de crédito. La solución combinada incrementa la precisión cuando los modelos de aprendizaje automático se entrenan con grandes cantidades de datos financieros de múltiples bancos y sucursales en diferentes ubicaciones geológicas.

Disponibilidad


HPE Swarm Learning ya está disponible en la mayoría de los países. 


HPE ofrece una solución completa de desarrollo de aprendizaje automático

HPE también anunció que eliminará los obstáculos de las empresas para desarrollar y entrenar modelos de aprendizaje automático a escala —a fin de acelerar la obtención de valor— con el nuevo HPE Machine Learning Development System. El nuevo sistema, diseñado específicamente con inteligencia artificial, es una solución completa que integra una plataforma de software de aprendizaje automático, computación, aceleradores y red para desarrollar y entrenar modelos de IA más precisos rápidamente y a escala.

Más información sobre las soluciones de IA de HPE


1. Un análisis al 13 de abril de 2022 de las ofertas competitivas que afirman preservar la privacidad encontró que (i) utilizan una arquitectura federada que depende de un servidor central o (ii) si utilizan cadena de bloques, no son soluciones empresariales soportadas.
2. Se espera una pérdida global de USD $408,500 millones en fraude a tarjetas de crédito en la próxima década. Fuente: Nilson Report, diciembre de 2021