Pontimax Technologies LLC ha recentemente annunciato la loro ultima innovazione tecnologica chiamata Dynamic Meta-Inferencing (DM-I), una nuova approccio nell’intelligenza artificiale (AI) basata sul ragionamento. Questa tecnologia combina l’inferenza del machine learning (ML) con l’inferenza contestuale spaziotemporale (SCI), offrendo un nuovo modo di ragionare dinamicamente tramite l’uso di predittori generativi basati sulla conoscenza specificata dall’utente.
Ray Keating, Managing Member di Pontimax Technologies, ha spiegato che il nucleo di DM-I consiste nell’abilità di “inferire gli eventi obiettivo”, definiti dall’utente in termini dei loro “Predicate Fact Pattern” (PFP) costituenti. Basandosi su queste specifiche PFP meta-specifiche, il Fact Pattern viene generato dinamicamente, richiamato ed valutato tramite il motore di inferenza dell’agente DM-I. È importante sottolineare che questi modelli di fatto del predicato obiettivo possono essere composti da modelli di fatto del predicato di ML o SCI.
Per illustrare il funzionamento di DM-I, Keating ha fornito due esempi. Ha detto: “Immaginiamo una situazione in cui si sta conducendo una missione militare a terra, con sensori di movimento lungo il percorso e una piattaforma di sensori video in alto. Un evento obiettivo di inferenza chiamato ‘anti-imboscata’ potrebbe essere definito attraverso due PFP: un modello di interesse per il rilevamento di movimenti e un PFP di machine learning per il riconoscimento degli oggetti. Utilizzando i contesti specifici di posizione e tempo, l’agente DM-I inizierà l’esecuzione dei predicati specificati, cominciando con la verifica dei dati di movimento rilevanti. L’agente DM-I applica quindi la sua capacità di riconoscimento spaziotemporale per determinare se il modello di fatto del predicato per il rilevamento dei movimenti si è verificato. Se ciò avviene, viene inviato un messaggio di azione specificato dall’utente alla piattaforma dei sensori video per quanto riguarda la posizione del modello di movimento dedotto, avviando poi il PFP “incatenato” per il riconoscimento dell’oggetto. Se il risultato del PFP supera una soglia specificata dall’utente, viene dedotto l’evento obiettivo “anti-imboscata” e vengono avviate le azioni conseguenti (CA) specificate dall’utente. Oltre a registrare i dettagli dei dati inferiti dall’evento, una delle azioni conseguenti potrebbe essere l’invio di un avviso di minaccia al responsabile della missione”.
Keating ha anche descritto uno scenario di sicurezza informatica di rete che illustra come la tecnologia DM-I può gestire efficacemente gli ambienti con un alto flusso di dati, come un “Data Firehose”. Questo viene affrontato utilizzando un “IP Originating Address Occurrences Fact Pattern” con risorse limitate, seguito da un modello di machine learning ad alta intensità di risorse per la classificazione dei pacchetti IP sospetti. Il primo utilizza il “Spatiotemporal Occurrences Fact Pattern” per identificare un insieme sospetto di “posizioni” degli indirizzi IP di origine, quindi attiva il Fact Pattern di classificazione ML “incatenato”. Questi casi di utilizzo dimostrano come la meta-inferenza dinamica offra agli esperti del dominio gli strumenti e le competenze per applicare la loro conoscenza a scenari del “mondo reale”. Inoltre, dimostrano la capacità della tecnologia DM-I di Pontimax di fornire una connessione diretta tra i sensori e l’azione (Sensor-to-Shooter) o, più in generale, una vera capacità di tradurre i dati in decisioni (Data-to-Decision).