Comienza el tercer año de investigación financiada por el Ministerio de Ciencia y TI…aprendizaje y análisis sin filtración externa de datos por institución
Reducción del 72% en el tamaño del modelo de IA y disminución de 8 veces en volumen de transmisión de datos…impulsando aplicación en campo con instituciones demostrativas
Wisenut está avanzando en la modernización de la tecnología de computación federada que permite el aprendizaje y análisis de inteligencia artificial (IA) sin transferir datos de las instituciones hacia el exterior. El objetivo es establecer una base para utilizar la IA de manera segura incluso en entornos industriales donde la protección de información sensible es crítica.
Wisenut anunció el 3 de noviembre que impulsará formalmente el tercer año de investigación del proyecto "Desarrollo y demostración de tecnología de computación federada distribuida para fortalecer la utilización de datos", respaldado por el Ministerio de Ciencia y Tecnología de la Información y Comunicación y por la Agencia de Planificación y Evaluación de Tecnología de la Información y Comunicaciones (IITP).
La computación federada es una tecnología que realiza aprendizaje y análisis de IA manteniendo los datos originales en cada institución, sin reunir datos distribuidos entre múltiples organizaciones en una ubicación centralizada. Su característica distintiva radica en reducir el riesgo de filtración de información personal o datos sensibles de empresas al exterior, mientras se incrementa el aprovechamiento de datos dispersos.
Este proyecto se ejecuta como parte de la Iniciativa de Desarrollo de Tecnología Fundamental en la Industria de Software y Computación. El objetivo es desarrollar y demostrar una plataforma de IA federada que permita analizar y aprender rápida y precisamente a partir de grandes volúmenes de datos dispersos en múltiples instituciones, sin concentrarlos en un centro único.
En esta investigación, Wisenut está desarrollando cuatro tecnologías clave. Estas incluyen una técnica de compresión de modelos de IA que permite realizar cálculos incluso en teléfonos inteligentes y dispositivos portátiles; una tecnología de comunicación de alta velocidad para la transmisión de datos entre el servidor central y terminales locales; una técnica de análisis federado que garantiza privacidad procesando datos en estado cifrado; y una tecnología de construcción de modelos de aprendizaje jerárquico global que vincula modelos grandes en el centro con modelos pequeños en terminales.
En la investigación de este año, se han logrado resultados técnicos concretos. Aplicando la técnica de cuantización de 8 bits, se redujo el tamaño del modelo de IA en un 72% respecto al anterior manteniendo su rendimiento. Mediante tecnología de caché local, se consiguió reducir el volumen de transmisión de datos entre el servidor central y servidores locales en un factor de 8.06 veces en comparación con el anterior.
Wisenut tiene previsto ampliar la aplicación práctica de la tecnología construyendo servicios de aplicación utilizando datos reales y estableciendo sistemas para gestionar resultados de aprendizaje. Planea colaborar con instituciones demostrativas como el Instituto de Investigación de Seúl, Daewoong Pharmaceutical y el Banco de Corea para recopilar, analizar y aprender datos de diversos campos, validando la viabilidad de aplicación de la tecnología de computación federada.
Yong Sung Kang, CEO de Wisenut, declaró: "La tecnología de computación federada, que permite aprender y analizar datos sensibles manteniéndolos seguros, jugará un papel fundamental en la expansión de los agentes de IA hacia entornos donde la seguridad es crítica". Agregó: "Wisenut contribuirá a establecer un entorno de IA donde los datos puedan manejarse con confianza, vinculándose con las capacidades tecnológicas en IA que hemos acumulado".
* Este artículo ha sido traducido por IA.