Enterprise kini semakin mengumpulkan lebih banyak data untuk memacu ambisi AI mereka, tetapi pada masa yang sama, mereka juga risau tentang siapa yang boleh mengakses data ini, yang sering kali sangat peribadi. PVML menawarkan penyelesaian yang menarik dengan menggabungkan alat seperti ChatGPT untuk menganalisis data dengan jaminan keselamatan privasi berbeza. Dengan menggunakan retrieval-augmented generation (RAG), PVML dapat mengakses data sebuah korporat tanpa menggerakkannya, menghapuskan pertimbangan keselamatan lain.
Syarikat yang berpangkalan di Tel Aviv baru-baru ini mengumumkan bahawa mereka telah mengumpulkan runda benih $8 juta yang dipimpin oleh NFX, dengan penyertaan dari FJ Labs dan Gefen Capital.
Syarikat ini diasaskan oleh pasangan suami isteri Shachar Schnapp (CEO) dan Rina Galperin (CTO). Schnapp mendapat ijazah doktor dalam sains komputer, dengan pengkhususan dalam privasi berbeza, kemudian bekerja dalam penglihatan komputer di General Motors, manakala Galperin mendapat ijazah sarjana dalam sains komputer dengan tumpuan dalam AI dan pemprosesan bahasa semula jadi dan bekerja pada projek pembelajaran mesin di Microsoft.
'Banyak pengalaman kami dalam domain ini datang dari kerja kami di syarikat besar dan syarikat besar di mana kami melihat bahawa perkara tidak sesuai dengan apa yang kami harapkan sebagai pelajar yang naif, mungkin,' kata Galperin. 'Nilai utama yang kami ingin bawa ke organisasi sebagai PVML adalah mendemokrasikan data. Ini hanya boleh berlaku jika anda, di satu pihak, melindungi data yang sangat sensitif ini tetapi, di pihak lain, membenarkan akses yang mudah kepadanya, yang hari ini merupakan sinonim dengan AI. Semua orang ingin menganalisis data menggunakan teks bebas. Ia lebih mudah, cepat dan lebih efisien - dan saus rahsia kami, privasi berbeza, membolehkan integrasi ini dengan sangat mudah.'
Privasi berbeza jauh dari konsep baru. Falsafah asasnya adalah untuk memastikan privasi pengguna individu dalam dataset besar dan memberikan jaminan matematik untuk itu. Salah satu cara paling biasa untuk mencapainya adalah dengan memasukkan tahap kebetulan ke dalam dataset, tetapi dengan cara yang tidak mengubah analisis data.
Pasukan tersebut berhujah bahawa penyelesaian akses data hari ini tidak efektif dan mencipta banyak overhead. Seringkali, sebagai contoh, banyak data perlu dipindahkan dalam proses membolehkan pekerja mendapat akses selamat kepada data - tetapi itu boleh menjadi tidak produktif kerana anda mungkin tidak dapat menggunakan data yang dirahsiakan untuk beberapa tugas (dan tambahan masa pemprosesan untuk mengakses data bermakna kes penggunaan masa sebenar seringkali mustahil).
Janji menggunakan privasi berbeza bermaksud pengguna PVML tidak perlu membuat perubahan kepada data asal. Ini mengelak hampir semua overhead dan membuka maklumat ini dengan selamat untuk kes penggunaan AI.
Hampir semua syarikat teknologi besar kini menggunakan privasi berbeza dalam satu cara atau yang lain, dan menjadikan alat dan perpustakaan mereka tersedia kepada pembangun. Pasukan PVML berhujah bahawa ia sebenarnya belum dipraktikkan oleh kebanyakan komuniti data.
'Pengetahuan semasa mengenai privasi berbeza lebih bersifat teori daripada praktikal,' kata Schnapp. 'Kami memutuskan untuk membawanya dari teori ke praktik. Dan itulah tepatnya apa yang kami lakukan: Kami membangunkan algoritma praktikal yang berfungsi dengan baik pada data dalam skenario kehidupan nyata.'
Tiada salah satu kerja privasi berbeza akan bererti jika alat analisis data sebenar dan platform PVML tidak berguna. Kes penggunaan yang paling jelas di sini adalah keupayaan untuk berbual dengan data anda, semuanya dengan jaminan bahawa tidak ada data sensitif yang boleh bocor ke dalam perbualan. Dengan menggunakan RAG, PVML dapat mengurangkan halusinasi hampir ke sifar dan overhead adalah minimal kerana data kekal di tempat.
Tetapi terdapat juga kes penggunaan lain. Schnapp dan Galperin mencatat bagaimana privasi berbeza juga membolehkan syarikat kini berkongsi data antara unit perniagaan. Selain itu, ini juga boleh membolehkan beberapa syarikat memonetisasi akses kepada data mereka kepada pihak ketiga, sebagai contoh.
'Di pasaran saham hari ini, 70% transaksi dibuat oleh AI,' kata Gigi Levy-Weiss, rakan kongsi dan pengasas bersama NFX. 'Itu sedikit gambaran tentang masa depan, dan organisasi yang mengadopsi AI hari ini akan selangkah di hadapan esok. Tetapi syarikat-syarikat takut untuk menghubungkan data mereka kepada AI, kerana mereka takut akan pendedahan - dan dengan alasan yang baik. Teknologi unik PVML mencipta lapisan perlindungan yang tidak kelihatan dan mendemokrasikan akses kepada data, membolehkan kes penggunaan monetisasi hari ini dan membuka jalan untuk hari esok.'
