تجمع PVML بين منصة الوصول إلى البيانات وتحليلها التي تتمحور حول الذكاء الاصطناعي مع الخصوصية التفاضلية

تقوم الشركات بتخزين المزيد من البيانات أكثر من أي وقت مضى لتعزيز طموحاتها في مجال الذكاء الاصطناعي، ولكنها في الوقت نفسه تشعر بالقلق أيضًا بشأن من يمكنه الوصول إلى هذه البيانات، والتي غالبًا ما تكون ذات طبيعة خاصة للغاية. تقدم PVML حلاً مثيرًا للاهتمام من خلال الجمع بين أداة تشبه ChatGPT لتحليل البيانات مع ضمانات السلامة للخصوصية التفاضلية. باستخدام تقنية الاسترجاع المعزز (RAG)، يمكن لـ PVML الوصول إلى بيانات الشركة دون نقلها، مما يؤدي إلى استبعاد اعتبار أمني آخر.

أعلنت الشركة التي يقع مقرها في تل أبيب مؤخرًا أنها جمعت جولة تمويلية أولية بقيمة 8 ملايين دولار بقيادة NFX، بمشاركة FJ Labs وGefen Capital.

تأسست الشركة من قبل فريق الزوج والزوجة شاشار شناب (الرئيس التنفيذي) ورينا جالبيرين (CTO). حصلت شناب على درجة الدكتوراه في علوم الكمبيوتر، وتخصصت في الخصوصية التفاضلية، ثم عملت في مجال الرؤية الحاسوبية في جنرال موتورز، بينما حصلت غالبرين على درجة الماجستير في علوم الكمبيوتر مع التركيز على الذكاء الاصطناعي ومعالجة اللغة الطبيعية وعملت في مشاريع التعلم الآلي في مايكروسوفت.

وقال جالبيرين: “إن الكثير من خبرتنا في هذا المجال جاءت من عملنا في الشركات الكبرى والشركات الكبيرة حيث رأينا أن الأمور ليست فعالة كما كنا نأمل كطلاب ساذجين، ربما”. “إن القيمة الرئيسية التي نريد أن نقدمها للمؤسسات مثل PVML هي إضفاء الطابع الديمقراطي على البيانات. لا يمكن أن يحدث هذا إلا إذا قمت، من ناحية، بحماية هذه البيانات الحساسة للغاية، ولكن من ناحية أخرى، سمحت بالوصول السهل إليها، وهو ما أصبح اليوم مرادفًا للذكاء الاصطناعي. الجميع يريد تحليل البيانات باستخدام النص الحر. إنه أسهل وأسرع وأكثر كفاءة – وخلطتنا السرية، الخصوصية التفاضلية، تمكن هذا التكامل بسهولة شديدة.

الخصوصية التفاضلية بعيدة كل البعد عن كونها مفهومًا جديدًا. الفكرة الأساسية هي ضمان خصوصية المستخدمين الفرديين في مجموعات البيانات الكبيرة وتوفير ضمانات رياضية لذلك. إحدى الطرق الأكثر شيوعًا لتحقيق ذلك هي إدخال درجة من العشوائية في مجموعة البيانات، ولكن بطريقة لا تغير تحليل البيانات.

يجادل الفريق بأن حلول الوصول إلى البيانات اليوم غير فعالة وتتسبب في الكثير من النفقات العامة. في كثير من الأحيان، على سبيل المثال، يجب إزالة الكثير من البيانات في عملية تمكين الموظفين من الوصول الآمن إلى البيانات – ولكن قد يؤدي ذلك إلى نتائج عكسية لأنك قد لا تتمكن من استخدام البيانات المنقحة بشكل فعال لبعض المهام (بالإضافة إلى البيانات الإضافية إن المهلة الزمنية للوصول إلى البيانات تعني أن حالات الاستخدام في الوقت الفعلي غالبًا ما تكون مستحيلة).

اعتمادات الصورة: بفمل

إن الوعد باستخدام الخصوصية التفاضلية يعني أن مستخدمي PVML لن يضطروا إلى إجراء تغييرات على البيانات الأصلية. يؤدي هذا إلى تجنب كل النفقات العامة تقريبًا ويفتح هذه المعلومات بأمان لحالات استخدام الذكاء الاصطناعي.

تقريبًا، تستخدم جميع شركات التكنولوجيا الكبرى الآن الخصوصية التفاضلية بشكل أو بآخر، وتجعل أدواتها ومكتباتها متاحة للمطورين. يقول فريق PVML أنه لم يتم تطبيقه فعليًا بعد من قبل معظم مجتمع البيانات.

وقال شناب: “إن المعرفة الحالية حول الخصوصية التفاضلية هي نظرية أكثر منها عملية”. “لقد قررنا أن نأخذ الأمر من النظرية إلى التطبيق. وهذا بالضبط ما فعلناه: لقد قمنا بتطوير خوارزميات عملية تعمل بشكل أفضل على البيانات في سيناريوهات الحياة الواقعية.

لن يكون أي من أعمال الخصوصية التفاضلية مهمًا إذا لم تكن أدوات تحليل البيانات الفعلية والمنصة الخاصة بـ PVML مفيدة. حالة الاستخدام الأكثر وضوحًا هنا هي القدرة على الدردشة باستخدام بياناتك، كل ذلك مع ضمان عدم تسرب أي بيانات حساسة إلى الدردشة. باستخدام RAG، يمكن لـ PVML خفض الهلوسة إلى الصفر تقريبًا وتكون النفقات العامة في حدها الأدنى نظرًا لبقاء البيانات في مكانها.

ولكن هناك حالات استخدام أخرى أيضًا. وأشار شناب وجالبيرين إلى كيف تسمح الخصوصية التفاضلية للشركات الآن بمشاركة البيانات بين وحدات الأعمال. بالإضافة إلى ذلك، قد يسمح أيضًا لبعض الشركات بتحقيق الدخل من الوصول إلى بياناتها لأطراف ثالثة، على سبيل المثال.

قال جيجي ليفي فايس، الشريك العام والمؤسس المشارك لـ NFX: “في سوق الأوراق المالية اليوم، يتم إجراء 70٪ من المعاملات بواسطة الذكاء الاصطناعي”. “هذه لمحة عن الأشياء القادمة، والمنظمات التي تتبنى الذكاء الاصطناعي اليوم ستكون خطوة إلى الأمام غدًا. لكن الشركات تخشى ربط بياناتها بالذكاء الاصطناعي، لأنها تخشى التعرض لها، وذلك لأسباب وجيهة. تعمل تقنية PVML الفريدة على إنشاء طبقة غير مرئية من الحماية وتضفي طابعًا ديمقراطيًا على الوصول إلى البيانات، مما يتيح حالات استخدام تحقيق الدخل اليوم ويمهد الطريق للغد.