Plataforma de Aprendizaje Federado de Sherpa.ai
Sherpa.ai Privacy-Preserving Federated Learning Platform es una plataforma distribuida de última generación para el entrenamiento de modelos de datos homogéneos y heterogéneos que proporciona al usuario un control total sobre sus datos, implementando un conjunto de defensas a medida para entornos distribuidos y con una interfaz de usuario completa y sin fisuras.
SHERPA.AI
PLATAFORMA PRIVACY-PRESERVING
La primera plataforma SaaS B2B Privacy-Preserving.
Los 3 paradigmas del aprendizaje federado (Horizontal, Vertical y Transferencia).
Combinada con tecnologías complementarias de Privacy-Enhacing (Differential Privacy, homomorphic encryption, entre otras) que harán de nuestra plataforma la más avanzada.
Con una interfaz de usuario intuitiva y amigable que ayudará a democratizar el acceso a la privacidad de datos a un espectro más amplio.
DESBLOQUEAR NUEVOS ESCENARIOS CON LA AI QUE PRESERVA LA PRIVACIDAD PARADIGMAS DE APRENDIZAJE FEDERADO
FEDERATED LEARNING PARADIGMS
APRENDIZAJE HORIZONTAL FEDERADO
Mismo tipo de datos en distintos nodos
APRENDIZAJE FEDERADO VERTICAL
Diferentes tipos de datos en diferentes nodos
APRENDIZAJE FEDERADO TRANSFER
Los nodos comparten algunas muestras de información
ALGORITMOS Y
COBERTURA DE LOS MODELOS AI
FLEXIBILIDAD Y ESCALABILIDAD.
Adaptabilidad de la solución Sherpa.ai a la mayoría de modelos de ML
La plataforma de Aprendizaje Federado de Sherpa.ai ha sido diseñada para ser altamente flexible, para adaptarse a una amplia variedad de algoritmos y modelos de IA. Nuestra plataforma está preparada para modelos personalizados por el usuario. Además, la tecnología de Sherpa.ai es escalable a un amplio abanico de posibilidades, correspondientes a diferentes campos de aplicación. A continuación encontrará ejemplos de algoritmos y cobertura de modelos de IA.
CONSTRUYA SU MODELO
EN CUALQUIER FRAMEWORK
La plataforma de Sherpa.ai se adapta a su modelo.
Es la plataforma más flexible y abierta, totalmente agnóstica en cuanto a frameworks, soportando entre otros SK-learn, PyTorch, Tensorflow, Keras y modelos personalizados. Cualquier modelo existente puede ser adaptado a la plataforma Sherpa.ai FL.
ENTRENAR CON CUALQUIER
FUENTE DE DATOS
Se puede utilizar cualquier fuente de datos soportada por Python.
Mediante la implementación de un conjunto de interfaces el nodo puede acceder a los datos de entrenamiento en sus fuentes originales. Acceso a ficheros a través de sistemas de ficheros locales o remotos, bases de datos relacionales y no-SQL, peticiones de datos HTTP... Explote sus datos dondequiera que estén almacenados.
MARCOS CONECTABLES
(DESPLIEGUE RÁPIDO)
La agilidad de una plataforma puede estimarse, entre otras cosas, por su capacidad de adaptación a los modelos existentes. Por ello, ofrecer interfaces a los frameworks existentes es una ventaja competitiva importante.
INSTALACIÓN DE NODOS BASADA EN CONTENEDORES DOCKER
AISLAMIENTO
- Un contenedor Docker agrupa todas las bibliotecas necesarias, lo que hace que los contenedores Docker sean totalmente independientes del sistema operativo subyacente.
- Un contenedor Docker define un entorno predecible aislado de otras aplicaciones.
RENDIMIENTO
- Las imágenes ligeras sin sistema operativo ocupan mucho menos espacio que las máquinas virtuales o los servidores dedicados y pueden aprovechar el hardware existente.
ESCALABILIDAD / REPRODUCIBILIDAD
- Los entornos permanecen más consistentes en Docker; las imágenes se versionan fácilmente, lo que facilita enormemente las pruebas, la reversión y el despliegue.
- Mantenimiento sencillo.
EJECUTAR EN CUALQUIER LUGAR
- Las imágenes Docker están libres de limitaciones ambientales, y eso hace que cualquier despliegue sea consistente, portátil y escalable. Los contenedores tienen la ventaja añadida de ejecutarse en cualquier lugar, siempre que esté orientado al SO (Win, Mac OS, Linux, VMs, On-prem, en Nube Pública).
Entrene cualquier modelo de IA, construya en cualquier marco de IA, utilice cualquier fuente de datos
AMPLIA GAMA DEAGREGADORES
Existen multitud de procesos de agregación, pero no todos son adecuados para todos los modelos o paradigmas, ni ofrecen seguridad en entornos no fiables, ni consiguen la mejor precisión en determinados escenarios. Una plataforma debe ofrecer un amplio abanico de agregadores con los que abordar procesos de aprendizaje de la más diversa naturaleza y asegurar que se obtiene el mejor resultado a partir del modelo existente y los datos disponibles.
Se han diseñado agregadores específicos para el Aprendizaje Vertical Federado (AVF). Uno de ellos es el agregador de concatenación, que, por un lado, permite liberar el potencial de los datos heterogéneos; por otro, asistido por Differential Privacy (DP) o Secure Multi-Party Computation (SMPC) preserva la privacidad de los datos.
La propia arquitectura federada protege de forma natural la privacidad de los datos. Sin embargo, pueden producirse ataques de adversarios para recuperar información. Los agregadores robustos están diseñados para defenderse de tales ataques, reforzando así la privacidad-resiliencia de la arquitectura federada.
AGREGADORES
ROBUSTOS
Las arquitecturas de entornos distribuidos para el aprendizaje federado (FL) añaden vulnerabilidades, como la capacidad de defenderse contra ataques de adversarios. En el aprendizaje automático clásico, la mayoría de los ataques de adversarios pueden prevenirse mediante técnicas de saneamiento de datos, en las que se inspeccionan los datos limpiándolos de posibles datos contaminados. Evidentemente, la restricción de que los datos de entrenamiento nunca salgan de los clientes en FL hace imposible aplicar estos mecanismos de defensa y deja un pequeño margen de maniobra. Por esta razón, el desarrollo de mecanismos de defensa ad-hoc para FL es crucial.
Los agregadores robustos proporcionan defensas contra los ataques de envenenamiento (backdoor y byzantine), evitando la clasificación errónea de muestras, el cambio de etiquetas, la introducción de muestras fuera de la distribución de entrenamiento y las actualizaciones aleatorias del modelo.
PRIVACIDAD DIFERENCIAL
POR ENCIMA DE TODO
La plataforma Sherpa.ai se adapta a su modelo.
Es la plataforma más flexible y abierta, totalmente agnóstica, soportando entre otros: scikit-learn y TensorFlow. Cualquier modelo existente puede adaptarse a la plataforma Sherpa.ai FL.
REGULACIÓN
El enfoque de aprendizaje federado de Sherpa.ai permite a las organizaciones aprovechar todo el potencial de los datos sin compartirlos.
Con la plataforma de Sherpa.ai, todos los cálculos y el entrenamiento del modelo ocurren en el entorno del propietario de los datos. Esto reduce enormemente el riesgo de filtraciones de datos, así como la carga de cumplimiento. Los datos nunca se comparten, por lo que se garantiza el cumplimiento de normativas como GDPR, HIPAA HITECH o CCPA.
Este enfoque innovador desbloquea el potencial de los datos que actualmente se están subutilizando debido a la regulación existente que limita el intercambio de datos, pero abre nuevas formas de colaboración entre organizaciones con problemas comunes que actualmente no comparten datos por razones competitivas.
Privacidad y protección de datos
La privacidad de los datos es un valor ético fundamental en Sherpa.ai.
Nuestra plataforma cumple con toda la normativa vigente en Protección de Datos (GDPR) y está en línea con la propuesta de marco regulatorio de la Comisión Europea sobre Inteligencia Artificial.
Seguridad
La seguridad de la información es una prioridad en Sherpa.ai.
Creemos que la seguridad debe cumplir con los estándares de calidad y con todas las normativas al respecto. Por ello, estamos certificados en el estándar de seguridad de datos ISO-27.001 y nuestra plataforma ha ganado los premios CogX 2021 por su Contribución Sobresaliente a la Regulación Tecnológica y ha sido finalista como Mejor Solución de Privacidad y Protección de Datos.
CONTACTA CON SHERPA.AI
Maximiza el valor de los datos y la IA con la plataforma Privacy-Preserving de Sherpa.ai
Contacto
