Teamet bakom Scaleout Systems, ledande inom federerad inlärning
Scaleout Systems är en framstående aktör inom distribuerad maskininlärning med ett starkt fokus på dataintegritet och säkerhet. De har valts ut att delta i NATOs DIANA-program för att och utveckla teknologier inom FEDn, och möta utmaningarna med edge computing. Nyligen besökte Sveriges försvarsminister Pål Jonson Scaleout för att diskutera teamets senaste projekt och dess potentiella påverkan på försvarsapplikationer.
Teamet bakom Scaleout Systems, ledande inom federerad inlärning. Foto: privat
Scaleout grundades 2017 som en avknoppning från Uppsala Universitets Institution för Informationsteknologi. De utvecklar lösningar för distribuerad maskininlärning med fokus på dataintegritet och säkerhet. Teamet består av 15 personer, inklusive fem doktorer, som specialiserar sig på federerade inlärningsteknologier. Dessa teknologier möjliggör maskininlärning över distribuerade datakällor utan att centralisera känslig information. Med starkt stöd från sina investerare (Navigare, Fairpoint, Almi Invest och UU Invest) driver de innovation för att göra AI-användning mer integritetsmedveten och pålitlig för samhället.
Deltagande i NATOs DIANA-program
Scaleout har valts ut att delta i NATO:s Defence Innovation Accelerator for the North Atlantic (DIANA) Challenge Programme. Detta är en NATO-organisation med uppdrag att påskynda dubbelanvändningsinnovation över hela alliansen. Genom sitt FEDAIR-projekt (Federated Aerial Intelligence for Recon) undersöker de tillämpningen av federerad inlärning i nätverk av distribuerade drönare och sensorer. Projektet fokuserar på att utveckla effektiva mekanismer för säker, decentraliserad maskininlärning i scenarier där datasuveränitet och nätverkseffektivitet är avgörande.
Utmaningar och lösningar inom Edge Computing
Den snabba tillväxten av edge computing medför nya utmaningar för implementering av maskininlärning. Organisationer inom olika sektorer genererar stora mängder data vid kanten genom olika enheter och sensorer. Traditionella centraliserade tillvägagångssätt för maskininlärning, som kräver dataaggregering på en central plats, står inför betydande begränsningar när det gäller latens, nätverkseffektivitet och dataintegritet.
Scaleouts ramverk, FEDn, adresserar dessa utmaningar genom federerad inlärning. Detta tillvägagångssätt möjliggör modellträning över distribuerade enheter samtidigt som data hålls lokalt. Denna metodik är särskilt relevant för applikationer som kräver realtidsbearbetningskapacitet och starka garantier för dataintegritet.
Tekniska utmaningar och forskningsfokus
Forskningen adresserar flera viktiga tekniska utmaningar:
- Säker beräkning och datautbyte vid kanten
- Optimering av nätverksresurser
- Systemresiliens och säkerhet
- Anpassningsförmåga över olika operativa miljöer
Nyligen besökte Sveriges försvarsminister Pål Jonson Scaleouts kontor för att diskutera DIANA-projektet och dess potentiella påverkan. Medan sitt primära forskningsfokus på kommersiella applikationer, möjliggör deras deltagande i DIANA utforskning av teknikens bredare implikationer för säkerhets- och försvarsapplikationer.
Sveriges försvarsminister Pål Jonson besökte Scaleout för att diskutera deras arbete med federerad inlärning inom NATO DIANA-programmet, med fokus på säker och anpassningsbar ML-teknik för försvarsapplikationer.
Fakta FEDn
FEDn står för Federated Machine Learning Network. Det är en plattform för federerad maskininlärning, vilket innebär att flera parter kan samarbeta och träna maskininlärningsmodeller utan att dela sina data med varandra. Detta är särskilt användbart inom områden där datasekretess och säkerhet är kritiska, som inom hälso- och sjukvård, finans och försvar.