Hewlett Packard Enterprise (HPE) ogłosił wprowadzenie HPE Swarm Learning – rozwiązania opartego na sztucznej inteligencji przyspieszającego analizę danych na brzegu sieci. Może ono zostać zastosowane m.in. przy diagnozowaniu chorób lub wykrywaniu oszustw związanych z kartami kredytowymi.

HPE Swarm Learning to metoda uczenia rozproszonego, która gwarantuje zachowanie prywatności danych oraz pozwala użytkownikom na udostępnianie uzyskanych wniosków z analiz danych w każdej lokalizacji – na brzegu sieci lub w lokalizacjach rozproszonych. Przy dużych zbiorach danych rozwiązanie to zwiększa dokładność i precyzyjność trenowania modeli sztucznej inteligencji.

HPE Swarm Learning, opracowane przez organizację badawczą Hewlett Packard Labs, jest zdecentralizowanym systemem uczenia maszynowego (ang. machine learning) dla lokalizacji rozproszonych i na brzegu sieci. Rozwiązanie to udostępnia kontenery, które można łatwo integrować z modelami sztucznej inteligencji (AI – artificial intelligence) przy użyciu interfejsu HPE Swarm API. Użytkownicy mogą bez udostępniania rzeczywistych danych dzielić się szybko wynikami dotyczącymi modeli sztucznej inteligencji.

Obecnie większość szkoleń w zakresie modeli AI odbywa się na scentralizowanych, połączonych zbiorach danych. Według HPE, podejście to może być jednak nieefektywne i kosztowne ze względu na konieczność przenoszenia dużych ilości danych do centralnej lokalizacji. Może ono być również ograniczane przez regulacje prawne dotyczące prywatności i własności danych, które zmniejszają możliwość udostępniania i przepływu danych, co może potencjalnie prowadzić do powstania nieprecyzyjnych modeli.

Eksperci HPE przekonują, że system Swarm Learning umożliwia korzystanie z rozproszonych danych u ich źródła, co pozwala na wykorzystanie większych zbiorów do treningu AI. To z kolei pozwala budować skuteczniejsze modele uczenia maszynowego, zachowując prywatność danych i łatwość w ich zarządzaniu. Jest to możliwe dzięki udostępnianiu samych wyników analiz uzyskanych na brzegu sieci, a nie danych, co wpływa też na lepszą jakość modeli.

(źr. HPE)

HPE Swarm Learning wykorzystuje technologię blockchain, co m.in. umożliwia bezpieczne dodawanie nowych członków do grupy, wybieranie lidera i scalanie parametrów modelu.

Zastosowania uczenia rozproszonego

Obszary zastosowań HPE Swarm Learning to przede wszystkim medycyna, bankowość i produkcja. Technologia może być wykorzystana w szpitalach do analiz obrazów, tomografii komputerowej, rezonansu magnetycznego czy danych dotyczących ekspresji genów. Udostępnianie wniosków z tych analiz pomiędzy szpitalami, przy zachowaniu odpowiedniej ochrony informacji o pacjencie, może przełożyć się na skuteczniejszą diagnostykę chorób.

Obrazek posiada pusty atrybut alt; plik o nazwie logo-Integrakom-biale-tlo.jpg
PARTNER TEMATU

Politechnika w Akwizgranie (RWTH Aachen) prowadzi badania histopatologiczne mające na celu szybszą diagnostykę raka jelita grubego.Zespół naukowców zajmujących się nowotworami przeprowadził tam badania mające na celu usprawnienie diagnostyki raka jelita grubego poprzez zastosowanie sztucznej inteligencji do przetwarzania obrazu w celu przewidywania zmian genetycznych, które mogą powodować nowotwory komórek. Korzystając z HPE Swarm Learning, naukowcy przeszkolili modele sztucznej inteligencji na trzech grupach pacjentów z Irlandii, Niemiec i USA. Wyniki zwalidowano za pomocą dwóch niezależnych zestawów danych z Wielkiej Brytanii korzystając z tych samych modeli AI opartych na uczeniu rozproszonym. Wyniki pokazały, że wcześniej stosowane modele sztucznej inteligencji, trenowane tylko na lokalnych danych, były mniej skuteczne niż modele korzystające z uczenia rozproszonego, gdyż te drugie pozwalają na dzielenie się wnioskami z analiz z innymi podmiotami bez ujawniania informacji o pacjentach, co przekłada się na wyższą jakość prognoz.

(źr. HPE

Banki z kolei mogą ograniczać straty wynikające z oszustw z wykorzystaniem kart kredytowych, dzieląc się z innymi instytucjami wynikami swoich analiz. TigerGraph, dostawca platformy do analizy grafów, połączył HPE Swarm Learning ze swoją ofertą analizy danych działającą na serwerach HPE ProLiant z procesorami AMD EPYC, aby przyspieszyć wykrywanie nietypowych aktywności w transakcjach kart kredytowych. Połączone rozwiązanie zwiększa dokładność podczas szkolenia modeli uczenia maszynowego na podstawie ogromnych ilości danych finansowych z wielu banków i oddziałów, w różnych lokalizacjach geografiicznych.

Zakłady produkcyjne mogą wykorzystywać metodę przeglądów predykcyjnych, aby przewidywać i planować niezbędne naprawy sprzętu, zanim ulegnie on awarii, powodując niepożądany przestój. Wykorzystując uczenie rozproszone, kierownicy utrzymania ruchu mogą uzyskiwać lepszy obraz sytuacji, dzięki dostępowi do analiz danych zebranych z czujników w wielu zakładach produkcyjnych.

(źr. HPE)

Rozwiązanie HPE Swarm Learning jest już dostępne w większości krajów.

System oparty na AI optymalizujący i przyspieszający obliczenia

HPE ogłosił równocześnie wprowadzenie rozwiązania HPE Machine Learning Development System, ułatwiającego tworzenie i trenowanie modeli uczenia maszynowego na dużą skalę. Nowy system jest kompleksowym rozwiązaniem łączącym platformę software do uczenia maszynowego, zdolności obliczeniowe, akceleratory i rozwiązania sieciowe, co ma pozwolić szybciej i na większą skalę rozwijać i trenować precyzyjne modele sztucznej inteligencji. HPE Machine Learning Development System bazuje na strategicznej inwestycji HPE w firmę Determined AI.

Aleph Alpha, niemiecki startup AI, zaadaptował system HPE Machine Learning Development System do szkolenia swojej multimodalnej AI, która obejmuje przetwarzanie języka naturalnego (NLP) i widzenie komputerowe. Łącząc przetwarzanie obrazu i tekstu w pięciu językach z niemal ludzkim rozumieniem kontekstu, modele te przesuwają granice nowoczesnej sztucznej inteligencji dla wszelkiego rodzaju zastosowań transformacyjnych opartych na języku i obrazie, takich jak asystenci sztucznej inteligencji do tworzenia złożonych tekstów, streszczenia o wyższym poziomie zrozumienia, wyszukiwanie specyficznych informacji w setkach dokumentów oraz wykorzystywanie specjalistycznej wiedzy w kontekście rozmowy.

(grafika tytułowa – źr. HPE)

Napisane przez Stefan Kaczmarek