Si rimane incantati di fronte allo spettacolo che offre la natura quando consente di osservare gli stormi degli uccelli che si muovono nel cielo creando uno spostamento armonioso di forme, le stesse che si possono osservare anche negli sciami degli insetti o nei banchi dei pesci. In questi casi si parla di swarm intelligence, letteralmente, in italiano, “l’intelligenza dello sciame”. Vi fanno parte tutti i processi di autorganizzazione, nei sistemi naturali, ma anche in quelli artificiali. Si tratta di sistemi costituiti, appunto, da una “popolazione” di agenti semplici che interagiscono a livello locale tra loro e con il loro ambiente. A fronte della constatazione per cui sembra non esservi alcuna struttura di controllo centralizzata, le interazioni fanno emergere comunque un comportamento “intelligente” degli agenti nel loro complesso ed individualmente.
Proprio traendo ispirazione dai fenomeni naturali e biologici, con Swarm Learning Hpe propone una soluzione di apprendimento automatico decentralizzata che sfrutta anche le tecnologie blockchain. L’obiettivo è permettere alle aziende di sfruttare il potenziale dei dati distribuiti tutelando privacy e sicurezza. Di fatto, in modo non del tutto difforme da quanto accade nell’edge computing, viene sfruttata la potenza di calcolo in corrispondenza o in prossimità delle origini dati, distribuite, per una maggiore sicurezza, e si utilizza la tecnologia blockchain testata condividendo le informazioni acquisite dai modelli di machine learning e deep learning in esecuzione sui dati di origine anziché sui dati grezzi stessi.
Hpe Swarm Learning è una soluzione basata sull’AI per accelerare gli insight all’edge – applicabile per esempio nella diagnostica delle malattie, ma anche per rilevare le frodi con carta di credito – che vede il suo punto di forza nella possibilità di condividere ed unificare i “learning” del modello AI senza rinunciare alla privacy dei dati.
Come funziona Hpe Swarm Learning
Spieghiamo in parole ancora più semplici. L’addestramento dei sistemi di intelligenza artificiale oggi avviene, di fatto, nei sistemi centralizzati e si basa sulla raccolta di set di dati unificati. Si tratta quindi di portare i dati dall’origine che li ha creati al centro. Un approccio che può essere limitato dai regolamenti sul trattamento delle informazioni, dalle norme sulla privacy, dai limiti sulla loro possibile condivisione. Ma rinunciare alla loro analisi alla fine determina la generazione di modelli non del tutto coerenti con la realtà e risultati non affidabili.
La tecnologia Hpe permette invece di costruire modelli sfruttando le informazioni dettagliate proprio là dove esse vengono generate anche per prendere decisioni più velocemente. Allo stesso tempo però, viene resa possibile la condivisione di quanto “appreso” da un’organizzazione con un’altra dove i dati sono creati e questo permette di migliorare ulteriormente le informazioni a disposizione di più aziende, per progressi più rapidi.
La condivisione è possibile perché di fatto i dati non vengono spostati. Hpe Swarm Learning consente, infatti, di utilizzare i dati distribuiti alla fonte, aumentando le dimensioni del set di dati per la formazione, per creare modelli di machine learning preservando al contempo la governance e la privacy dei dati. Perché questo sia legittimo è fondamentale che siano condivisi solo i learning ricavati dai dati, non i dati stessi, e questo è reso possibile dalla tecnologia blockchain che permette di integrare in modo sicuro i membri, scegliere in modo dinamico un “leader” e unire i parametri del modello per fornire resilienza e sicurezza alla rete swarm a cui partecipano i membri stessi.
Attraverso la condivisione dei learning quindi e non dei dati, Hpe Swarm Learning consente di sfruttare set di dati di addestramento di grandi dimensioni, senza compromettere la privacy, ottenendo comunque modelli più efficienti, perché “estratti” da volumi di dati più grandi.
In sostanza, Hpe Swarm Learning si propone come un framework decentralizzato che preserva la privacy per eseguire il training del modello di machine learning nell’origine dati.
Consente a un insieme di nodi, ciascuno dei quali possiede alcuni dati di addestramento in locale, di addestrare un modello ML comune in modo collaborativo senza condividere i dati di addestramento stessi. In concreto la soluzione fornisce ai clienti applicazioni containerizzate integrabili con i modelli di AI utilizzando le Api dello swarm Hpe, in questo modo è resa possibile la condivisione dei learning del modello di AI sia all’interno dell’azienda, sia con le altre organizzazioni e, per esempio, i colleghi del settore, senza mai condividere i dati effettivi.
Swarm Learning, i casi d’uso
Tra i verticali in cui maggiori potrebbero essere i vantaggi nell’utilizzo di questa tecnologia vi sono la sanità, il finance e il manufacturing. Nel primo caso, per esempio, è possibile pensare di estrarre learning dalle registrazioni degli strumenti di diagnostica per immagini, dalle scansioni e dalle sequenze genomiche, per migliorare la diagnosi delle malattie, senza compromettere la privacy; nel finance è possibile condividere tra diversi istituti i learning sulle evidenze delle frodi che nel prossimo decennio, prevedono gli analisti, causeranno danni per 400 miliardi di dollari.
Ed il manufacturing infine, potrebbe ottenere importanti vantaggi nelle fasi di manutenzione predittiva in relazione alle esigenze di riparazione delle apparecchiature. I learning ottenuti da un più ampio numero di sistemi, infatti, condivisi, possono migliorare i modelli di ML sulla scorta di dati dai sensori di più siti di produzione. Al proposito Hpe annuncia anche un nuovo sistema di sviluppo di machine learning. Il nuovo sistema, creato appositamente per l’AI, viene proposto come soluzione end-to-end che integra insieme una piattaforma software di learning, elaborazione, acceleratori e networking per sviluppare e addestrare modelli di AI più accurati e più velocemente.
L’esperienza dell’Università di Aquisgrana
Tra i casi d’uso interessanti che già sfruttano la soluzione Hpe Swarm Learning c’è l’Università Rwth di Aquisgrana che studia l’istopatologia per accelerare la diagnosi del cancro del colon. In particolare, viene sfruttata l’AI sull’elaborazione delle immagini per prevedere le alterazioni genetiche, che possono causare il cancro delle cellule. I modelli di AI sono stati addestrati utilizzando Hpe Swarm Learning su tre gruppi di pazienti provenienti da Irlanda, Germania e Stati Uniti e hanno convalidato le prestazioni di previsione in due set di dati indipendenti dal Regno Unito, utilizzando gli stessi modelli di AI basati sugli swarm learning. I modelli di AI originali, che si basavano solo su dati locali, sono quindi superati utilizzando modelli di swarm learning grazie alla condivisione dei learning stessi – ma non dei dati dei pazienti – con altre entità, per migliorare le previsioni.
© RIPRODUZIONE RISERVATA
