DynamoFL bertujuan untuk menghadirkan AI yang menjaga privasi ke lebih banyak industri

Peraturan privasi data seperti GDPR, CCPA, dan HIPAA menghadirkan tantangan untuk melatih sistem AI pada data sensitif, seperti transaksi keuangan, catatan kesehatan pasien, dan log perangkat pengguna. Data historis adalah apa yang "mengajarkan" sistem AI untuk mengidentifikasi pola dan membuat prediksi, tetapi ada rintangan teknis untuk menggunakannya tanpa mengorbankan identitas seseorang. 

Salah satu solusi yang memperoleh mata uang dalam beberapa tahun terakhir adalah pembelajaran federasi. Teknik ini melatih sistem di beberapa perangkat atau server yang menyimpan data tanpa pernah menukarnya, memungkinkan kolaborator untuk membangun sistem umum tanpa berbagi data. Intel baru-baru ini bermitra dengan Penn Medicine untuk mengembangkan sistem pengklasifikasian tumor otak menggunakan pembelajaran federasi, sementara sekelompok perusahaan farmasi besar, termasuk Novartis dan Merck, membangun platform pembelajaran federasi untuk mempercepat penemuan obat.

Raksasa teknologi, termasuk Nvidia (via Clara), menawarkan pembelajaran federasi sebagai layanan. Tetapi startup baru, DynamoFL, berharap untuk menghadapi petahana dengan platform pembelajaran federasi yang berfokus pada kinerja, seolah-olah tanpa mengorbankan privasi.

"DynamoFL didirikan oleh dua PhD Departemen Teknik Elektro dan Ilmu Komputer MIT, Christian Lau dan saya sendiri, yang menghabiskan lima tahun terakhir bekerja pada pembelajaran mesin dan perangkat keras yang menjaga privasi untuk pembelajaran mesin," kata CEO Vaikkunth Mugunthan kepada TechCrunch dalam sebuah wawancara email. "Kami menemukan pasar yang sangat besar untuk pembelajaran federasi setelah kami menerima tawaran kerja berulang kali dari perusahaan keuangan dan teknologi terkemuka yang mencoba membangun pembelajaran federasi secara internal sehubungan dengan peraturan privasi yang muncul seperti GDPR dan CCPA. Selama proses ini, jelas bahwa organisasi-organisasi ini berjuang untuk berdiri dalam pembelajaran federasi secara internal dan kami membangun DynamoFL untuk mengatasi kesenjangan ini di pasar."

DynamoFL — yang mengklaim memiliki pelanggan utama di sektor otomotif, internet of things, dan keuangan — sedang dalam tahap awal strategi go-to-market-nya. (Startup ini memiliki empat karyawan saat ini, dengan rencana untuk mempekerjakan 10 orang pada akhir tahun.) Tetapi DynamoFL telah berfokus pada penyempurnaan teknik AI baru agar menonjol melawan persaingan, menawarkan kemampuan yang secara putatif meningkatkan kinerja sistem sambil memerangi serangan dan kerentanan dalam pembelajaran federasi — seperti serangan "inferensi anggota" yang memungkinkan untuk mendeteksi data yang digunakan untuk melatih sistem.

"Teknologi pembelajaran federasi kami yang dipersonalisasi ... memungkinkan tim pembelajaran mesin untuk menyempurnakan model mereka untuk meningkatkan kinerja pada kelompok individu. Ini memberi eksekutif C-suite kepercayaan diri yang lebih tinggi ketika menerapkan model pembelajaran mesin yang sebelumnya dianggap sebagai solusi kotak hitam," kata Mugunthan. "Ini [juga] membedakan kami dari pesaing seperti Devron, Rhino Health, Owkin, NimbleEdge, dan FedML yang berjuang dengan tantangan umum dari pembelajaran federasi tradisional."

DynamoFL juga mengiklankan platformnya sebagai hemat biaya yang diadu dengan solusi titik AI lain yang menjaga privasi. Karena pembelajaran federasi tidak memerlukan pengumpulan data secara massal di server pusat, DynamoFL dapat memangkas biaya transfer dan komputasi data, mugunthan menegaskan — misalnya, memungkinkan pelanggan untuk hanya mengirim file kecil dan inkremental daripada petabyte data mentah. Sebagai manfaat tambahan, ini dapat mengurangi risiko kebocoran data dengan menghilangkan kebutuhan untuk menyimpan data dalam volume besar pada satu server.

"Teknologi peningkat privasi umum seperti privasi diferensial dan pembelajaran federasi telah mengalami tradeoff 'privasi versus kinerja' yang abadi, di mana menggunakan teknik pelestarian privasi yang lebih kuat selama pelatihan model pasti menghasilkan akurasi model yang lebih buruk. Tantangan kemacetan kritis ini telah mencegah banyak tim pembelajaran mesin mengadopsi teknologi pembelajaran mesin yang menjaga privasi yang diperlukan untuk melindungi privasi pengguna sambil mematuhi kerangka kerja peraturan," kata Mugunthan. "Solusi pembelajaran federasi dynamofl yang dipersonalisasi mengatasi rintangan penting untuk adopsi pembelajaran mesin."

Baru-baru ini, DynamoFL menutup putaran awal kecil ($4.15 juta dengan penilaian $35 juta) yang memiliki partisipasi dari Y Combinator, Global Founders Capital dan Basis Set; startup ini merupakan bagian dari angkatan Y Combinator's Winter 2022. Mugunthan mengatakan bahwa hasil tersebut terutama akan digunakan untuk merekrut manajer produk yang dapat mengintegrasikan teknologi DynamoFL ke dalam produk masa depan yang ramah pengguna.

"Pandemi telah menyoroti pentingnya memanfaatkan data yang beragam dengan cepat untuk krisis yang muncul dalam perawatan kesehatan. Secara khusus, pandemi menggarisbawahi bagaimana data medis penting perlu dibuat lebih mudah diakses selama masa krisis, sambil tetap melindungi privasi pasien," lanjut Mugunthan. "Kami berada di posisi yang tepat untuk mengatasi perlambatan teknologi. Saat ini kami memiliki landasan pacu selama tiga hingga empat tahun, dan perlambatan teknologi sebenarnya telah membantu upaya perekrutan kami. Perusahaan teknologi terbesar mempekerjakan sebagian besar ilmuwan pembelajaran federasi terkemuka, sehingga perlambatan dalam perekrutan di teknologi besar telah menghadirkan peluang bagi kami untuk mempekerjakan bakat pembelajaran federasi dan pembelajaran mesin terbaik."