Lerna AI: Έρχεται να δώσει λύση στις αυξημένες ανησυχίες για το απόρρητο και την ασφάλεια των δεδομένων

Η Lerna AI, η deeptech startup, με έδρα τον Καναδά και την Ελλάδα, φέρνει επανάσταση στον τρόπο με τον οποίο οι εφαρμογές για smartphone προωθούν τις υπηρεσίες τους και συνδυάζει τεχνητή νοημοσύνη, federated learning (ομοσπονδιακή μάθηση) και εξειδικευμένες τεχνικές ασφαλείας.

Ο CΕΟ και Co-Founder της εταιρείας Γιώργος Δεπάστας, ο Co-Founder και CTO Γιώργος Κελλάρης και ο Founding Engineer Μίλτος Πουλίζος, μίλησαν στο Startupper.gr για την καινοτομία της εταιρείας στο  πεδίο της προστασίας των προσωπικών δεδομένων, που βρίσκεται εδώ και καιρό στο επίκεντρο με τους νέους κανονισμούς για το GDPR, πώς αποφάσισαν να δημιουργήσουν την εταιρεία, τις συνεργασίες, τις χρηματοδοτήσεις που έχουν “σηκώσει”, αλλά μας έδωσαν επίσης μια πιο ξεκάθαρη εικόνα για να καταλάβουμε λίγο καλύτερα έννοιες όπως το federated learning.

Ο συνδυασμός AI, federated learning και εξειδικευμένων τεχνικών ασφαλείας αποτελούν τον πυρήνα της εταιρείας. Πώς λειτουργούν όλα αυτά τα εργαλεία μαζί και πως προκύπτει το τελικό προϊόν σας και η διάθεσή του στην αγορά; Επίσης μπορείτε να μας εξηγήσετε τον όρο federated learning;

Γιώργος Κελλάρης: Το federated learning (FL), είναι μια σχετικά νέα προσέγγιση που επιτρέπει στις εταιρείες να βελτιώσουν τα εργαλεία τεχνητής νοημοσύνης χωρίς να έχουν πρόσβαση σε ανεπεξέργαστα δεδομένα χρηστών. Σχεδιασμένο από την Google το 2017, είναι ένα αποκεντρωμένο μοντέλο μάθησης μέσω του οποίου οι αλγόριθμοι εκπαιδεύονται σε συσκευές στα λεγόμενα υπολογιστικά άκρα (π.χ. φορητές συσκευές). Με τη μετατόπιση της συγκέντρωσης από το χώρο δεδομένων στο χώρο των παραμέτρων, το FL αντιμετωπίζει αυτό το εμπόδιο. Επιτρέπει τη μάθηση από δεδομένα χωρίς να τα συγκεντρώνει, μετατοπίζοντας τα βήματα βελτιστοποίησης στους διακομιστές του πελάτη, συγκεντρώνοντας μόνο τις παραμέτρους που μαθαίνονται αντί για τα ίδια τα δεδομένα (τα οποία, στις περισσότερες περιπτώσεις, μειώνουν επίσης το κόστος επικοινωνίας).

Προκειμένου το FL να διατηρεί πραγματικά το απόρρητο, υπάρχουν επίπεδα εργαλείων απορρήτου που πρέπει να στοιβάζονται πάνω από την υποκείμενη υποδομή μάθησης. Προς το παρόν δεν υπάρχουν εύκολες επιλογές plug-and-play για τη ρύθμιση αυτών των επιπέδων απορρήτου – τα οποία είναι κρίσιμα για την υιοθέτηση του FL σε περιβάλλον παραγωγής.

Συνδυάζουμε FL και πρωτοποριακό απόρρητο/ασφάλεια (Secure Multiparty Computation and Differential Privacy) για να επιτρέψουμε την εκπαίδευση μοντέλων ML σε δεδομένα χρήστη, πάντα στη κάθε συσκευή. Ως εκ τούτου, ο κεντρικός αλγόριθμός μας μαθαίνει από όλους τους χρήστες, ενώ οι χρήστες διατηρούν το απόρρητό τους. Αυτή η προσέγγιση είναι εννοιολογικά παρόμοια με αυτή που έχουν κάνει η Google και η Apple για τη δυνατότητα πρόβλεψης της επόμενης λέξης των κινητών πληκτρολογίων τους (G-board και πληκτρολόγιο iOS).

Συγκεντρώνουμε αυτές τις πολύπλοκες τεχνολογίες σε ένα προϊόν, όπου οι προγραμματιστές μπορούν να αποκομίσουν τα οφέλη του FL χωρίς τεχνικές πολυπλοκότητες. Το βασικό μας προϊόν είναι μια ελαφριά κινητή βιβλιοθήκη (SDK) που ενσωματώνεται σε εφαρμογές για κινητά με την προσθήκη μόνο μερικών γραμμών κωδικών. Αυτή η βιβλιοθήκη χρησιμοποιεί αλληλεπιδράσεις εντός της εφαρμογής, δεδομένα συσκευής και δεδομένα αισθητήρων, προκειμένου να κατανοήσει καλύτερα τον μεμονωμένο χρήστη, χωρίς να αφαιρεί κανένα από αυτά τα ευαίσθητα δεδομένα από τη συσκευή.

Γιατί ασχοληθήκατε με το συγκεκριμένο αντικείμενο, ποιο ήταν το έναυσμα και το κίνητρο για τη δημιουργία της Lerna.ai;

Γιώργος Δεπάστας: Κατά τη διάρκεια της πανδημίας, παρατηρήσαμε κάποιες τάσεις, όπως o περιορισμός της ανταλλαγής δεδομένων τρίτων, με την Google και την Apple να πρωτοπορούν σε αυτήν την τάση. Αυτό συνοδεύεται από πολλές ανησυχίες για την προστασία της ιδιωτικής ζωής από τους χρήστες, όπως δείχνει η υπόθεση με το Whatsapp, και τις ρυθμιστικές αρχές (GDPR, CCPA).

Η πανδημία είχε επίσης ως αποτέλεσμα πολλοί χρήστες να μετατοπιστούν από το διαδίκτυο στο κινητό. Ωστόσο, τα ποσοστά διατήρησης εξακολουθούν να βρίσκονται στο ναδίρ, με το 75% των χρηστών να αποχωρεί εντός 3 ημερών από τη λήψη μιας εφαρμογής για κινητά. Η τεχνητή νοημοσύνη είναι κρίσιμη για την ενίσχυση της διατήρησης, αλλά τα δεδομένα που απαιτούνται καθίστανται απρόσιτα.

Σε έναν κόσμο όπου η ανταλλαγή ευαίσθητων προσωπικών δεδομένων περιορίζεται, η επιτακτική ανάγκη για τις επιχειρήσεις να αξιοποιήσουν τις δυνατότητες δεδομένων είναι πιο κρίσιμη από ποτέ. Η Lerna AI, ένας παίκτης που αλλάζει το παιχνίδι στα συστήματα προτάσεων υπερ-εξατομίκευσης για κινητά, προσφέρει μια συναρπαστική λύση σε αυτήν την πιεστική πρόκληση. Το καινοτόμο SDK για κινητά δίνει τη δυνατότητα στις εφαρμογές να εξατομικεύουν περιεχόμενο για κάθε χρήστη, αξιοποιώντας έναν συνδυασμό μεταδεδομένων περιεχομένου και δεδομένων χρήστη στη συσκευή, συμπεριλαμβανομένων δεδομένων αισθητήρων.

Πόσο ασφαλή είναι στην εποχή μας και δη στην εποχή της τεχνητής νοημοσύνης, τα προσωπικά δεδομένα; Ποια είναι η καινοτομία που προσφέρετε σε αυτό τον τομέα;

Γιώργος Δεπάστας: Τα προσωπικά δεδομένα σήμερα δεν είναι ασφαλή. Σε έναν κόσμο όπου τα smartphones έχουν γίνει προέκταση του εαυτού μας, η επιδίωξη της εξατομίκευσης έχει φτάσει σε πρωτοφανή ύψη. Φανταστείτε ένα ψηφιακό τοπίο όπου κάθε κλικ παρακολουθείται, και αναλύεται σχολαστικά. Αυτή είναι η πραγματικότητα στην οποία βρισκόμαστε σήμερα, όπου οι trackers και τα cookies τρίτων είναι οι αφανείς ήρωες της εξατομίκευσης. Συγκεντρώνουν τα δεδομένα μας, τις προτιμήσεις μας, τα μυστικά μας, αφήνοντάς μας συχνά εκτεθειμένους και ευάλωτους.

Ωστόσο, ας μην απορρίψουμε τη σημασία της εξατομίκευσης. Προφανώς επιζητούμε προσαρμοσμένες εμπειρίες, προσαρμοσμένες προτάσεις που ταιριάζουν αβίαστα στο ρυθμό της ζωής μας. Υπάρχει όμως τρόπος να γεφυρωθεί το χάσμα μεταξύ εξατομίκευσης και ιδιωτικότητας;

Ιστορικά, η εξατομίκευση και η ιδιωτικότητα φαίνεται να αλληλοαποκλείονται. Είμαστε εδώ για να το αλλάξουμε αξιοποιώντας πλουσιότερα δεδομένα – τα οποία δεν φεύγουν ποτέ από τη συσκευή. Είμαστε σε θέση να αξιοποιήσουμε ένα τόσο πλούσιο σύνολο δεδομένων ακριβώς λόγω του τελευταίου. Μόνο οι παράμετροι μοντέλου που προστατεύονται από το απόρρητο μεταδίδονται από το τηλέφωνο. Και το κάνουμε με μοναδικό τρόπο που καθιστά το σύστημα επεκτάσιμο για εκατομμύρια συσκευές και χρήστες.

Προσφέρετε εξατομικευμένη εμπειρία στον χρήστη. Πως επιτυγχάνεται αυτό και ποιο είναι το στοιχείο που σας διαφοροποιεί από άλλες εταιρείες του χώρου;

Μίλτος Πουλίζος: Εκπαιδεύοντας μοντέλα σε αυτόν τον πλούσιο θησαυρό δεδομένων first party, η Lerna AI επιτρέπει στις εφαρμογές να προβλέπουν βέλτιστες προτάσεις περιεχομένου προσαρμοσμένες στις προτιμήσεις και τα ενδιαφέροντα κάθε χρήστη, διατηρώντας παράλληλα το απόρρητο των χρηστών. Σε μια εποχή που χαρακτηρίζεται από αυξημένες ανησυχίες σχετικά με το απόρρητο και την ασφάλεια των δεδομένων, η προσέγγιση της Lerna AI έρχεται να δώσει λύση και διασφαλίζει ότι οι επιχειρήσεις μπορούν να επιτύχουν τους στόχους τους χωρίς να χρειάζεται να κάνουν ηθικές εκπτώσεις. Χάρη στις εξελίξεις στις τεχνολογίες διατήρησης της ιδιωτικότητας, όπως το FL και το differential privacy , η εκπαίδευση μοντέλων τεχνητής νοημοσύνης σε ευαίσθητα δεδομένα είναι πλέον δυνατή, επιτρέποντάς μας να μαθαίνουμε από δεδομένα πολύ πιο πλούσια από ότι παλιότερα, προστατεύοντας παράλληλα το απόρρητο των χρηστών.

Είχατε “σηκώσει” χρηματοδότηση από την Genesis Ventures και τη Metavallon VC. Πώς σας βοήθησαν αυτά τα κεφάλαια, πώς αξιοποιήθηκαν; Επίκειται κάποιος επόμενος γύρος χρηματοδότησης;

Γιώργος Δεπάστας: Είναι πολύ σημαντικό για τα προϊόντα καινοτόμων τεχνολογιών να έχουν τη σωστή χρηματοδότηση για να δημιουργήσουν τις πρώτες δοκιμαστικές εκδόσεις των προϊόντων τους. Τέτοιου είδους εταιρείες deep-tech είναι συνήθως πιο δύσκολο να ξεκινήσουν και να καταφέρουν να χτίσουν το προϊόν τους χωρίς εξωτερική χρηματοδότηση. Για το λόγο αυτό, ήταν κρίσιμο για εμάς να έχουμε υποστηρικτικούς επενδυτές στο πρώιμο στάδιο της εταιρείας μας. Το μεγαλύτερο μέρος των κεφαλαίων χρησιμοποιήθηκε για την τεχνική ανάπτυξη.

Ποιες συνεργασίες έχετε υλοποιήσει έως τώρα; Έρχεται στο άμεσο μέλλον κάποια νέα στρατηγική συνεργασία; Ποια είναι τα επόμενα βήματά σας και ο μακροπρόθεσμος στόχος της εταιρείας;

Γιώργος Δεπάστας: Έχουμε ένα εύκολα αναπτυσσόμενο SDK και συνεργαζόμαστε με εφαρμογές B2C για κινητά με μεγάλο αριθμό προσφορών (προϊόντα / στοιχεία περιεχομένου), ειδικά στα μέσα ψυχαγωγίας, στα κοινωνικά δίκτυα και στον χώρο της περιήγησης.

Το μακροπρόθεσμο όραμά μας είναι να οικοδομήσουμε την υποδομή για ιδιωτική μηχανική μάθηση που θα αναδιαμορφώσει τον τρόπο με τον οποίο ο κόσμος εξάγει γνώση. Πρόκειται για μια θεμελιώδη αλλαγή στον τρόπο με τον οποίο δημιουργείται και μοιράζεται η γνώση σε δισεκατομμύρια συσκευές IoT, δημιουργώντας έναν κόσμο που μπορεί να μάθει από οποιοδήποτε μεμονωμένο σημείο δεδομένων, ανεξάρτητα από το πόσο εμπιστευτικό, ιδιωτικό ή ευαίσθητο είναι αυτό.

Ποιο ήταν το μεγαλύτερο εμπόδιο που συναντήσατε στην μέχρι τώρα πορεία σας, πώς το ξεπεράσατε και τι σας δίδαξε:

Γιώργος Κελλάρης: Το FL είναι μια νέα τεχνολογία και παρόλο που η γενετική τεχνητή νοημοσύνη έχει σίγουρα αυξήσει την προβολή της τεχνητής νοημοσύνης γενικά, η FL απέχει λίγα χρόνια από την πλήρη εμπορική ωριμότητα. Το να είσαι σε έναν εκκολαπτόμενο χώρο σημαίνει ότι πρέπει να δημιουργήσεις ευαισθητοποίηση και ενημέρωση και αυτό μπορεί να είναι μια πρόκληση για μια startup με περιορισμένους πόρους. Ο τρόπος με τον οποίο το κάναμε είναι να επενδύσουμε στη δημιουργία ποιοτικού περιεχομένου προκειμένου να αντιμετωπίσουμε αυτήν την πρόκληση.

Παρουσία στην MWC. Μιλήστε μας για αυτή την εμπειρία, τα όσα είδατε, όσα εσείς παρουσιάσατε και με τι πρόσημο φύγατε από τη μεγάλη αυτή γιορτή της τεχνολογίας;

Γιώργος Δεπάστας: Ήταν μια εκπληκτική εμπειρία, ένα από τα καλύτερα μέρη στην Ευρώπη για να παρακολουθήσει κανείς τις τελευταίες τάσεις στον τομέα μας. Η τεχνητή νοημοσύνη ήταν σίγουρα στο επίκεντρο των συζητήσεων που έλαβαν χώρα γύρω από το συνέδριο και η εξατομίκευση ήταν επίσης ένα βασικό θέμα .Ήταν μια μοναδική ευκαιρία για εμάς να συνδεθούμε με άλλους Έλληνες επιχειρηματίες, δεδομένου ότι αφού ζούμε στο εξωτερικό, δεν είναι πάντα δυνατό να το κάνουμε τόσο αποτελεσματικά.