A rispondere è Aindo, la startup italiana specializzata in dati sintetici. La realtà, fondata nel 2018 da tre giovani specialisti di intelligenza artificiale all’interno della Scuola Internazionale Superiore di Studi Avanzati di Trieste (SISSA), si sta imponendo nel panorama scientifico internazionale sul tema dell’AI tanto da essere una delle poche realtà italiane che parteciperà a NeurIPS 2022 (Neural Information Processing Systems), tra le più prestigiose conferenze a livello globale sull’intelligenza artificiale. Nell’ambito della conferenza, che si svolgerà a New Orleans dal 28 novembre al 9 dicembre 2022, Aindo presenterà al SyntheticData4ML Workshop uno dei primi studi al mondo sulla sintetizzazione e il funzionamento dei dati relazionali dal titolo “Generating Realistic Synthetic Relational Data through Graph Variational Autoencoders”, realizzato in collaborazione con BIP Consulting. I dati sintetici: innovazione nel rispetto della privacy. Quando si parla di intelligenza artificiale è importante avere accesso a una grande quantità di dati per alimentare ed addestrare un sistema di AI. Nella fase di raccolta, tuttavia, uno degli ostacoli principali è rappresentato dalla possibilità di accedere a dati compliant alle norme di GDPR. In questo senso, la soluzione è rappresentata dalla tecnologia di generazione di dati sintetici. Si tratta di informazioni create algoritmicamente ma con un incredibile grado di realismo che possono essere utilizzate al posto dei dati reali, per addestrare modelli di AI quando i set di dati effettivi sono privati o carenti in termini di qualità, volume o varietà. Di fatto, l’analisi dei dati sintetici porta alle stesse intuizioni dell’analisi di dati reali conciliando l’utilità analitica delle informazioni ad un’eccellente protezione della privacy, a differenza dei tradizionali metodi di anonimizzazione. Questi ultimi, basandosi sul principio di distruzione dell’informazione, riducono l’utilità del dato modificandone spesso la struttura, senza tra l’altro rimuovere del tutto la possibilità di re-identificazione.
Aindo presenta a NeurIPS 2022 un approccio rivoluzionario alla privacy dei dati
A rispondere è Aindo, la startup italiana specializzata in dati sintetici. La realtà, fondata nel 2018 da tre giovani specialisti di intelligenza artificiale all’interno della Scuola Internazionale Superiore di Studi Avanzati di Trieste (SISSA), si sta imponendo nel panorama scientifico internazionale sul tema dell’AI tanto da essere una delle poche realtà italiane che parteciperà a NeurIPS 2022 (Neural Information Processing Systems), tra le più prestigiose conferenze a livello globale sull’intelligenza artificiale. Nell’ambito della conferenza, che si svolgerà a New Orleans dal 28 novembre al 9 dicembre 2022, Aindo presenterà al SyntheticData4ML Workshop uno dei primi studi al mondo sulla sintetizzazione e il funzionamento dei dati relazionali dal titolo “Generating Realistic Synthetic Relational Data through Graph Variational Autoencoders”, realizzato in collaborazione con BIP Consulting. I dati sintetici: innovazione nel rispetto della privacy. Quando si parla di intelligenza artificiale è importante avere accesso a una grande quantità di dati per alimentare ed addestrare un sistema di AI. Nella fase di raccolta, tuttavia, uno degli ostacoli principali è rappresentato dalla possibilità di accedere a dati compliant alle norme di GDPR. In questo senso, la soluzione è rappresentata dalla tecnologia di generazione di dati sintetici. Si tratta di informazioni create algoritmicamente ma con un incredibile grado di realismo che possono essere utilizzate al posto dei dati reali, per addestrare modelli di AI quando i set di dati effettivi sono privati o carenti in termini di qualità, volume o varietà. Di fatto, l’analisi dei dati sintetici porta alle stesse intuizioni dell’analisi di dati reali conciliando l’utilità analitica delle informazioni ad un’eccellente protezione della privacy, a differenza dei tradizionali metodi di anonimizzazione. Questi ultimi, basandosi sul principio di distruzione dell’informazione, riducono l’utilità del dato modificandone spesso la struttura, senza tra l’altro rimuovere del tutto la possibilità di re-identificazione.