Las empresas est\u00e1n acumulando m\u00e1s datos que nunca para alimentar sus ambiciones de IA, pero al mismo tiempo tambi\u00e9n les preocupa qui\u00e9n puede acceder a estos datos, que a menudo son de naturaleza muy privada. PVML ofrece una soluci\u00f3n interesante al combinar una herramienta similar a ChatGPT para analizar datos con las garant\u00edas de seguridad de la privacidad diferencial. Al utilizar la generaci\u00f3n de recuperaci\u00f3n aumentada (RAG), PVML puede acceder a los datos de una corporaci\u00f3n sin moverlos, eliminando otra consideraci\u00f3n de seguridad.<\/p>\n
La compa\u00f1\u00eda con sede en Tel Aviv anunci\u00f3 recientemente que ha recaudado una ronda inicial de 8 millones de d\u00f3lares liderada por NFX, con la participaci\u00f3n de FJ Labs y Gefen Capital.<\/p>\n
Cr\u00e9ditos de imagen:<\/strong> PVML<\/p>\n<\/div>\n La empresa fue fundada por el matrimonio Shachar Schnapp (CEO) y Rina Galperin (CTO). Schnapp obtuvo su doctorado en ciencias de la computaci\u00f3n, especializ\u00e1ndose en privacidad diferencial, y luego trabaj\u00f3 en visi\u00f3n por computadora en General Motors, mientras que Galperin obtuvo su maestr\u00eda en ciencias de la computaci\u00f3n con un enfoque en inteligencia artificial y procesamiento del lenguaje natural y trabaj\u00f3 en proyectos de aprendizaje autom\u00e1tico en Microsoft.<\/p>\n \u00abGran parte de nuestra experiencia en este \u00e1mbito provino de nuestro trabajo en grandes corporaciones y grandes empresas, donde vimos que las cosas no son tan eficientes como esper\u00e1bamos, tal vez como estudiantes ingenuos\u00bb, dijo Galperin. \u201cEl principal valor que queremos aportar a las organizaciones como PVML es la democratizaci\u00f3n de los datos. Esto s\u00f3lo puede suceder si, por un lado, proteges estos datos tan sensibles, pero, por otro lado, permites un f\u00e1cil acceso a ellos, lo que hoy en d\u00eda es sin\u00f3nimo de IA. Todo el mundo quiere analizar datos utilizando texto libre. Es mucho m\u00e1s f\u00e1cil, m\u00e1s r\u00e1pido y m\u00e1s eficiente, y nuestro ingrediente secreto, la privacidad diferencial, permite esta integraci\u00f3n muy f\u00e1cilmente\u201d.<\/p>\n La privacidad diferencial est\u00e1 lejos de ser un concepto nuevo. La idea central es garantizar la privacidad de los usuarios individuales en grandes conjuntos de datos y proporcionar garant\u00edas matem\u00e1ticas para ello. Una de las formas m\u00e1s comunes de lograr esto es introducir un grado de aleatoriedad en el conjunto de datos, pero de una manera que no altere el an\u00e1lisis de los datos.<\/p>\n El equipo sostiene que las soluciones actuales de acceso a datos son ineficaces y generan muchos gastos generales. A menudo, por ejemplo, es necesario eliminar una gran cantidad de datos en el proceso de permitir que los empleados obtengan acceso seguro a los datos, pero eso puede ser contraproducente porque es posible que no se puedan utilizar eficazmente los datos redactados para algunas tareas (m\u00e1s las tareas adicionales). El tiempo de espera para acceder a los datos significa que los casos de uso en tiempo real a menudo son imposibles).<\/p>\n Cr\u00e9ditos de imagen:<\/strong> PVML<\/p>\n<\/div>\n La promesa de utilizar privacidad diferencial significa que los usuarios de PVML no tienen que realizar cambios en los datos originales. Esto evita casi todos los gastos generales y desbloquea esta informaci\u00f3n de forma segura para casos de uso de IA.<\/p>\n Pr\u00e1cticamente todas las grandes empresas de tecnolog\u00eda utilizan ahora la privacidad diferencial de una forma u otra y ponen sus herramientas y bibliotecas a disposici\u00f3n de los desarrolladores. El equipo de PVML sostiene que la mayor\u00eda de la comunidad de datos a\u00fan no lo ha puesto en pr\u00e1ctica.<\/p>\n \u00abEl conocimiento actual sobre la privacidad diferencial es m\u00e1s te\u00f3rico que pr\u00e1ctico\u00bb, dijo Schnapp. \u201cDecidimos llevarlo de la teor\u00eda a la pr\u00e1ctica. Y eso es exactamente lo que hemos hecho: desarrollamos algoritmos pr\u00e1cticos que funcionan mejor con datos en escenarios de la vida real\u201d.<\/p>\n Nada del trabajo de privacidad diferencial importar\u00eda si las herramientas y la plataforma de an\u00e1lisis de datos reales de PVML no fueran \u00fatiles. El caso de uso m\u00e1s obvio aqu\u00ed es la capacidad de chatear con sus datos, todo con la garant\u00eda de que ning\u00fan dato confidencial pueda filtrarse en el chat. Usando RAG, PVML puede reducir las alucinaciones a casi cero y la sobrecarga es m\u00ednima ya que los datos permanecen en su lugar.<\/p>\n Pero tambi\u00e9n existen otros casos de uso. Schnapp y Galperin observaron c\u00f3mo la privacidad diferencial tambi\u00e9n permite a las empresas compartir datos entre unidades de negocio. Adem\u00e1s, tambi\u00e9n puede permitir a algunas empresas monetizar el acceso a sus datos a terceros, por ejemplo.<\/p>\n \u201cHoy en d\u00eda, en el mercado de valores, el 70% de las transacciones se realizan mediante IA\u201d, afirm\u00f3 Gigi Levy-Weiss, socia general y cofundadora de NFX. \u201cEsto es una muestra de lo que vendr\u00e1, y las organizaciones que adopten la IA hoy estar\u00e1n un paso por delante ma\u00f1ana. Pero las empresas tienen miedo de conectar sus datos a la IA porque temen la exposici\u00f3n, y por buenas razones. La tecnolog\u00eda \u00fanica de PVML crea una capa invisible de protecci\u00f3n y democratiza el acceso a los datos, permitiendo casos de uso de monetizaci\u00f3n hoy y allanando el camino para el ma\u00f1ana\u201d.<\/p>\n<\/p><\/div>\n![\"\"](\"https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/04\/AI-Integration.png\")
<\/p>\n