Dhiria: tecnologia unica

Ricerca scientifica

Il motore tecnologico di Dhiria nasce dalla volontà di avanzare costantemente ed in modo significativo la ricerca scientifica. Questo significa affrontare e risolvere le sfide che la comunità scientifica internazionale pone in essere. Grazie agli investimenti fatti, Dhiria prima al mondo, ha raggiunto importanti risultati in termini di privacy preserving computation ed è già oggi in grado di portare al mercato tale sviluppo tecnologico.

Più in dettaglio, quello che la nostra ricerca ha saputo produrre è la capacità di elaborare dati criptati attraverso algoritmi di machine e deep learning in modalità “as-a-service”: In ogni fase dell’elaborazione i dati ed i risultati rimangono criptati ed in nessun punto dell'elaborazione essi vengo decriptati.

Questo incredibile risultato è frutto di un avanzamento scientifico capace di combinare nuove architetture neurali e nuovi algoritmi di addestramento in grado di preservare la privacy degli utenti con innovativi paradigmi di computazione di machine e deep learning “as-a-service”.

DHIRIA è la prima azienda al mondo ad offrire servizi di machine e deep learning as-a-service su dati criptati

Sfide

Prima al mondo Dhiria ha affrontato e risolto in modo congiunto tre importanti sfide scientifiche e tecnologiche:

• Sfida algoritmica: i modelli di machine e deep learning sono stati riprogettati e sviluppati per operare su dati criptati.

  
  

• Sfida tecnologica: la computazione privacy-preserving è caratterizzata da una elevata richiesta di memoria e computazione. Gli algoritmi di machine e deep learning sono stati ripensati per ridurre il carico computazionale, l'occupazione di memoria ed il consumo energetico garantendo l’accuratezza dell’elaborazione.

  
  

• Sfida architetturale: per poter portare al mercato soluzioni efficaci ed efficienti di machine e deep learning capaci di operare su dati criptati abbiamo implementato approcci “as-a-service” in cui l’elaborazione viene effettuata su sistemi ad alte prestazioni nei data center o su Cloud.

Contribuiamo a far avanzare la ricerca scientifica in campo internazionale, per garantire la migliore tecnologia ai nostri clienti

Pubblicazioni scientifiche

Le soluzioni innovative di ricerca ed i risultati principali ottenuti da Dhiria in questi ambiti sono stati pubblicati nelle principali riviste e conferenze internazionali:

• A. Falcetta, M. Roveri, “EVAD: encrypted vibrational anomaly detection with homomorphic encryption”, Neural Computing and Applications, Springer 2024

• L. Colombo, A. Falcetta, M. Roveri, “TIFeD: a Tiny Integer-based Federated learning algorithm with Direct feedback alignment”, 2023 International Conference on AI-ML Systems, Bangalore, India, 2023.

• A. Falcetta, M. Pavan, S. Canali, V. Schiaffonati, M. Roveri, “To Personalize or Not To Personalize? Soft Personalization and the Ethics of ML for Health”, The 10th IEEE International Conference on Data Science and Advanced Analytics (DSAA), Thessaloniki, Greece, 2023.

• A. Falcetta, M. Roveri, “T4C: A Framework for Time-Series Clustering-as-a-Service”, CEUR Workshop Proceedings vol. 3252 – Workshop proceedings, 2023.

• F. Puoti, A. Falcetta, M. Roveri, D. Riva, D. Chiggiato, “GreenTea: Time-series Exploration as-a-Service for environmental science”, IEEE Conference on Artificial Intelligence (CAI), Santa Clara, CA, USA, 2023.

• M. Gambella, A. M. Roveri, “EDANAS: Adaptive Neural Architecture Search for Early Exit Neural Networks”, the International Joint Conference on Neural Networks (IEEE IJCNN), Gold Coast, Queensland, Australia, 2023.

• A. Falcetta, M. Roveri, “Privacy-preserving machine learning with homomorphic encryption: an introduction”, IEEE Computational Intelligence Magazine, August, 2022 [Q1 SCIMAGO – Computer Science].

• M. Gambella, A. Falcetta, M. Roveri, “CNAS: Constrained Neural Architecture Search”, Accepted at the 2022 IEEE International Conference on Systems, Man and Cybernetics (IEEE SMC 2022),Prague, 2022.

• A. Falcetta, M. Roveri, “TIMEX: an Automatic Framework for Time-Series Forecasting-as-a-Service”, Accepted at the 6th International Workshop on Automation in Machine Learning, held in conjunction with the SIGKDD Conference on Knowledge Discovery and Data Mining conference (KDD2022),Washington DC, 2022.

• A. Falcetta, M. Roveri, “Privacy-preserving time series prediction with temporal convolutional neural networks”, in Proc. 2022 International Joint Conference on Neural Network (IJCNN2022),Padova, Italy, 2022.

• S. Disabato, A. Falcetta, A. Mongelluzzo, M. Roveri, “A privacy-preserving distributed architecture for deep-learning-as-a-service”, in Proc. 2020 International Joint Conference on Neural Networks (IJCNN),Glasgow, 2020.

Tali pubblicazioni certificano da parte della comunità scientifica internazionale, il valore e la validità delle soluzioni che Dhiria ha prodotto per rispondere alle sfide esistenti sul tema della privacy preserving computation.

Maggiore efficienza di algoritmi e infrastrutture cloud, pensati per elaborare dati criptati, significa minor costi e maggiori performance a beneficio dei clienti Dhiria

Dhiria: vantaggi competitivi

Un ulteriore punto merita però attenzione: i risultati ottenuti dalla ricerca Dhiria, pensati per fornire soluzioni efficaci ed efficienti in ambito privacy-preserving machine learning, rappresentano una competenza di valore per Dhiria anche per la computazione in chiaro.

Essere in grado di elaborare dati criptati, mette in gioco dimensioni di uno, anche due ordini di grandezza maggiori rispetto alle equivalenti elaborazioni su dati in chiaro, sia per quel che riguarda i tempi di elaborazione che per le dimensioni delle reti neurali e questo ci spinge costantemente verso l'ottimizzazione di ogni componente della nostra piattaforma.

Le soluzioni innovative in ambito algoritmico, tecnologico ed architetturale sviluppate da Dhiria forniscono infatti un incredibile vantaggio competitivo, rispetto alla concorrenza, nel portare al mercato soluzioni di machine e deep learning as-a-service che operano in chiaro, garantendo migliori performance e minori costi di elaborazione.