Industria eta Ekoizpena
Bultzatu eragiketa adimentsuagoak, berrikuntza azkarragoa eta emaitza sendoagoak fabrikazioan, gailu periferikoak eta makineria industriala modu seguruan konektatuz, eta, aldi berean, minimizatu datuen transferentzia eta komunikazio-gastu orokorrak.
Industrian berrikuntza eta fabrikazioa bultzatuz, pribatutasuna zainduko duen lankidetza seguruaren bidez.
Sherpa.aik aukera ematen die fabrikatzaileei 4.0 Industriaren potentzial guztia aprobetxatzeko, fabriken, hornitzaileen eta gailu periferikoen arteko IA seguru eta kolaboratibo bat gaituta, datu operatibo konfidentzialak inoiz partekatu gabe. Mantentze prediktibotik eta kalitate-kontroletik hasi eta hornidura-katearen optimizaziora arte.
Sherpa.ai-ren ikaskuntza federatuko plataformak komunikazio-gastu orokorrak murrizten ditu, datuen subiranotasuna bermatzen du eta informazioa denbora errealean eskaintzen du ingurune deszentralizatuetan.
Sherpa.ai ikaskuntza federatuko plataformak aukera emango digu erabaki hobeak hartzeko eta, aldi berean, pribatutasuna eta segurtasuna babesteko abangoardiako teknologien bidez, hala nola kalkulu multiparte segurua. Plataforma horrek erakundeen arteko datu-truke handiagoa ahalbidetuko du, eta, aldi berean, konfiantza, pribatutasuna eta segurtasuna zainduko dira.
Etxe Zuriko Zientzia eta Teknologia Politikarako Bulegoko zuzendariorde ohia.
Industria eta Fabrikazioko Ikasketa Federatua
Mantentze prediktibo kolaboratiboa
Ekoizpen-prozesuak optimizatzen ditu, hainbat instalaziotako datuak elkartuz, informazio sentikorra partekatu gabe.
Hornidura-katea optimizatzea
Sare logistiko osoaren eraginkortasuna hobetzen du, hornitzaile bakoitzaren pribatutasuna errespetatuz.
IAk bultzatutako produktuaren kalitatea
Produkzio-akatsak detektatzen ditu banatutako datuetan entrenatutako modeloekin, industria-iheserako arriskurik gabe.
Fabrikatzaileen arteko lankidetza-garapena
Berrikuntza bizkortzen du, enpresa lehiakideek elkarrekin ikasita, sekretu industrialik erakutsi gabe.
Ikasketa federatua duten hegazkinen motorretarako mantentze prediktiboa
Proiektu honek Sherpa.ai hegazkinen motorren akatsen aurreikuspena hobetzeko balioa erakusten du, sistemen artean sentsoreen datu gordinak transferitzeko beharrik gabe.
Segurtasunerako kritikoak diren zenbait ingurunetan, hala nola aeroespazialean, datuen zentralizazioa bideraezina izaten da, araudi-, pribatutasun- eta komunikazio-mugak direla eta. Sherpa.aik erronka horiei heltzen die, IAko modeloen elkarlaneko entrenamendua zuzenean ertzean ahalbidetuz, datuak gailuan mantenduz eta soilik modelo-parametro zifratuak trukatuz.
Emaitzek erakusten dute eredu federatuek entrenamendu zentralizatuaren errendimendua berdindu dezaketela, eta, aldi berean, nabarmen gainditzen dituztela nodo bakarreko eredu isolatuak. Gainera, soluzioak datuen transferentziaren gainkarga murrizten du, jabetza esklusiboko datuak babesten ditu eta eraginkortasun energetikoa hobetzen du. Hori funtsezkoa da baliabide mugatuak dituzten denbora errealeko inguruneetarako, hala nola sateliteetarako, hegazkinetarako edo urruneko flotetarako.
Kasu praktiko honek erakusten du Sherpa.ai plataformak 4.0 industrian eta agertoki aeroespazialetan mantentze prediktiboaren eskakizun teknikoak, arauemaileak eta operatiboak betetzen dituela, IA zehatza, eskalagarria eta ertzean pribatutasuna gordetzen duena eskainiz.
Malwarearen detekzio federatua Sherpa.ai duten erakunde guztietan
Proiektu honek erakusten du Sherpa.ai-ren ikaskuntza federatuko plataformaren balioa, banatutako sareetan ransomwarea detektatzeko, erakundeen artean prozesatu gabeko datu telematikoak edo portaera-datuak transferitu beharrik gabe.
Zibersegurtasunaren esparruan, malwarearen eta ransomwarearen detekzioari dagokionez bereziki, hainbat erakunderen datuak zentralizatzeak arrisku eta erronka handiak sortzen ditu, besteak beste, araudi-oztopoak (adibidez, DBEO), sistemaren erregistro sentikorren gaineko kontrol-galerak eta komunikazio-kostu handiak. Sherpa.aik pribatutasuna zaintzen duen arkitekturaz heltzen die gai horiei, eta aukera ematen die hainbat erakunderi, hala nola bankuei, osasun-arretaren hornitzaileei edo fabrika adimendunei malwarea detektatzeko ereduak elkarlanean entrenatzeko, eta, aldi berean, tokiko datuak mantentzeko.
Emaitzek erakusten dute eredu federatuak nabarmen gainditzen dituela eredu isolatuak (soilik lokalak) eta entrenamendu zentralizatuaren errendimenduari hurbiltzen zaiola.
Kasu praktiko honek erakusten du Sherpa.ai-ren plataformak mundu errealeko zibersegurtasun agertokien eskaera operatiboak asetzen dituela, IA eskalagarria, zehatza eta pribatutasuna bermatzen duena, erakundearen mugetatik haragoko mehatxuen detekzio proaktiborako.
