PVML, yapay zeka merkezli bir veri erişimi ve analiz platformunu farklı gizlilikle birleştirir

Şirketler yapay zeka hedeflerini desteklemek için her zamankinden daha fazla veri biriktiriyor ancak aynı zamanda genellikle çok özel nitelikteki bu verilere kimin erişebileceği konusunda da endişeleniyorlar. PVML, verileri analiz etmek için ChatGPT benzeri bir aracı farklı mahremiyetin güvenlik garantileriyle birleştirerek ilginç bir çözüm sunuyor. Alma-artırılmış nesil (RAG) kullanan PVML, bir şirketin verilerine, verileri taşımadan erişebilir ve bu da başka bir güvenlik hususunu ortadan kaldırır.

Tel Aviv merkezli şirket geçtiğimiz günlerde, FJ Labs ve Gefen Capital’in katılımıyla NFX liderliğinde 8 milyon dolarlık bir tohum turu topladığını duyurdu.

Şirket, karı koca ekibi Shachar Schnapp (CEO) ve Rina Galperin (CTO) tarafından kuruldu. Schnapp doktorasını bilgisayar bilimleri alanında aldı, diferansiyel gizlilik konusunda uzmanlaştı ve ardından General Motors’ta bilgisayarlı görme üzerinde çalıştı; Galperin ise yüksek lisansını yapay zeka ve doğal dil işleme odaklı bilgisayar bilimleri alanında aldı ve Microsoft’ta makine öğrenimi projelerinde çalıştı.

Galperin, “Bu alandaki deneyimlerimizin çoğu, işlerin belki de saf öğrenciler olarak umduğumuz kadar verimli olmadığını gördüğümüz büyük şirketlerdeki ve büyük şirketlerdeki çalışmalarımızdan geldi” dedi. “PVML olarak kuruluşlara getirmek istediğimiz temel değer, verileri demokratikleştirmektir. Bu ancak bir yandan bu çok hassas verileri korurken, diğer yandan bugün yapay zeka ile eşanlamlı olan bu verilere kolay erişime izin verirseniz gerçekleşebilir. Herkes verileri serbest metin kullanarak analiz etmek ister. Bu çok daha kolay, daha hızlı ve daha verimli; ayrıca gizli sosumuz, farklı mahremiyetimiz, bu entegrasyonu çok kolay bir şekilde mümkün kılıyor.”

Farklı mahremiyet yeni bir kavram olmaktan uzaktır. Temel fikir, büyük veri setlerinde bireysel kullanıcıların mahremiyetini sağlamak ve bunun için matematiksel garantiler sağlamaktır. Bunu başarmanın en yaygın yollarından biri, veri setine bir dereceye kadar rastgelelik eklemek, ancak bunu veri analizini değiştirmeyecek şekilde yapmaktır.

Ekip, günümüzün veri erişim çözümlerinin etkisiz olduğunu ve çok fazla yük yarattığını savunuyor. Örneğin, çoğu zaman, çalışanların verilere güvenli erişim elde etmesini sağlama sürecinde çok sayıda verinin kaldırılması gerekir; ancak bu, düzeltilen verileri bazı görevler için etkili bir şekilde kullanamayabileceğiniz için verimsiz olabilir (artı ek olarak). verilere erişim için gereken sürenin sağlanması, gerçek zamanlı kullanım durumlarının genellikle imkansız olduğu anlamına gelir).

Diferansiyel gizlilik kullanma vaadi, PVML kullanıcılarının orijinal verilerde değişiklik yapması gerekmediği anlamına gelir. Bu, neredeyse tüm ek yükleri ortadan kaldırır ve bu bilgilerin yapay zeka kullanım durumları için güvenli bir şekilde kilidini açar.

Neredeyse tüm büyük teknoloji şirketleri artık farklı gizlilik özelliklerini şu veya bu şekilde kullanıyor ve araçlarını ve kitaplıklarını geliştiricilerin kullanımına sunuyor. PVML ekibi, bunun veri topluluğunun çoğu tarafından henüz uygulamaya konulmadığını savunuyor.

Schnapp, “Farklı gizlilik hakkındaki mevcut bilgiler pratikten çok teoriktir” dedi. “Bunu teoriden pratiğe taşımaya karar verdik. Biz de tam olarak bunu yaptık: Gerçek hayattaki senaryolarda veriler üzerinde en iyi şekilde çalışan pratik algoritmalar geliştiriyoruz.”

PVML’nin gerçek veri analizi araçları ve platformu kullanışlı olmasaydı, diferansiyel gizlilik çalışmalarının hiçbirinin önemi olmazdı. Buradaki en belirgin kullanım durumu, verilerinizle sohbet etme yeteneğidir; tüm bunlar, hiçbir hassas verinin sohbete sızmayacağını garanti eder. RAG kullanarak, PVML halüsinasyonları neredeyse sıfıra indirebilir ve veriler yerinde kaldığı için ek yük minimum düzeydedir.

Ancak başka kullanım durumları da var. Schnapp ve Galperin, farklı gizliliğin şirketlerin artık iş birimleri arasında veri paylaşımına da olanak tanıdığını belirtti. Ayrıca bazı şirketlerin, örneğin üçüncü şahısların verilerine erişiminden para kazanmasına da olanak tanıyabilir.

NFX genel ortağı ve kurucu ortağı Gigi Levy-Weiss, “Bugün borsada işlemlerin %70’i yapay zeka tarafından yapılıyor” dedi. “Bu, gelecekte yaşanacakların bir özeti ve bugün yapay zekayı benimseyen kuruluşlar yarın bir adım önde olacak. Ancak şirketler, açığa çıkmasından korktukları için verilerini yapay zekaya bağlamaktan korkuyorlar ve bunun da iyi sebepleri var. PVML’nin benzersiz teknolojisi görünmez bir koruma katmanı oluşturuyor ve verilere erişimi demokratikleştiriyor, bugün para kazanma kullanım örneklerini mümkün kılıyor ve yarının önünü açıyor.”