HPE Swarm Learning: innovazione AI per i siti edge e i siti distribuiti

Tuttavia, la condivisione dei dati esternamente può rappresentare una sfida per le organizzazioni che devono soddisfare requisiti di governance, regolamentazione o conformità dei dati, che richiedono che i dati stessi non vengano spostati. HPE Swarm Learning consente alle organizzazioni di utilizzare i dati distribuiti alla fonte, aumentando le dimensioni del set di dati per la formazione, per creare modelli di machine learning per apprendere in modo equo, preservando al contempo la governance e la privacy dei dati.
Per garantire che vengano condivisi solo i learning, ossia i risultati derivanti da questi studi acquisiti all’edge, e non i dati stessi, HPE Swarm Learning utilizza la tecnologia blockchain per integrare in modo sicuro i membri, eleggere dinamicamente un leader e unire i parametri del modello per fornire resilienza e sicurezza alla rete “swarm” a cui partecipano i membri stessi. Inoltre, condividendo solo i learning, HPE Swarm Learning consente agli utenti di sfruttare set di dati di addestramento di grandi dimensioni, senza compromettere la privacy, e aiuta a rimuovere le distorsioni del modello stesso per aumentare la precisione nei modelli.
HPE Swarm Learning può aiutare una vasta gamma di organizzazioni a collaborare e migliorare gli insight come in questi casi:
- Gli ospedali possono trarre informazioni da registrazioni di imaging, scansioni TC e MRI e sequenze genomiche di dati da un ospedale all’altro per migliorare la diagnostica di malattie e altri disturbi, proteggendo al contempo le informazioni sui pazienti.
- I fornitori di servizi bancari e finanziari possono combattere le frodi con carte di credito condividendo le conoscenze relative alle frodi con più di un istituto finanziario alla volta.
- Gli stabilimenti produttivi possono trarre vantaggio dalla manutenzione predittiva per ottenere informazioni dettagliate sulle esigenze di riparazione delle apparecchiature ed eseguire la manutenzione prima che si guastino e causino fermi indesiderati. Sfruttando il swarm learning, i responsabili della manutenzione possono ottenere informazioni migliori raccogliendo i learning, ossia i risultati degli studi derivanti dal modello di ML, che arrivano dai dati dei sensori in più siti di produzione.
Esempi di casi d’uso dei primi utenti di HPE Swarm Learning includono l’Università di Aquisgrana TigerGraph. La prima, che studia l’istopatologia per accelerare la diagnosi del cancro del colon, ha applicato l’intelligenza artificiale sull’elaborazione delle immagini per prevedere le alterazioni genetiche che possono causare il cancro delle cellule.
I ricercatori hanno addestrato modelli di AI 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 risultati hanno dimostrato che i modelli di AI originali, che si basavano solo su dati locali, sono stati 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.
TigerGraph, fornitore di una piattaforma di analisi grafica leader nel settore, ha invece migliorato il rilevamento delle anomalie per aiutare le banche a combattere le frodi con carte di credito. Lo ha fatto combinando HPE Swarm Learning con la sua offerta di analisi dei dati in esecuzione su server HPE ProLiant, utilizzando processori AMD EPYC per aumentare la capacità di rilevamento rapido di attività insolite nelle transazioni con carta di credito. La soluzione combinata aumenta la precisione durante l’addestramento di modelli di machine learning attraverso grandi quantità di dati finanziari provenienti da più banche e filiali in località diverse.