Nová technologie pomáhá umělé inteligenci „učit se s“ uživatelskými daty, nikoli se na ně „dívat“.

AI - Ảnh 1. — Stále existuje způsob, jak trénovat umělou inteligenci bez sdílení uživatelských dat

V digitálním věku jsou osobní údaje „palivem“ pro vývoj umělé inteligence. Z toho se však objevuje paradox: čím lépe umělá inteligence rozumí lidem, tím zranitelnější jsme vůči „kontrole“.

Úniky informací, příliš personalizovaná reklama a netransparentní postupy sběru dat způsobily, že uživatelé jsou stále více opatrní při „předávání“ svých dat platformám.

V této souvislosti začala technologická komunita hledat způsob, jak se umělá inteligence může i nadále učit, aniž by shromažďovala soukromá data, a tím je federované učení.

Jak se umělá inteligence učí, aniž by viděla data

Na rozdíl od tradičního modelu trénování musí být veškerá data, jako jsou zprávy, obrázky nebo zvyklosti při používání, odeslána na server, aby se umělá inteligence mohla učit. To mnoho lidí znepokojuje, protože by mohlo dojít ke shromažďování nebo úniku osobních údajů.

U federovaného učení je proces obrácený: učení probíhá přímo na vašem zařízení, například v telefonu. Umělá inteligence pouze „sleduje“, jak píšete nebo používáte aplikaci, a vykresluje si vlastní učební zážitek, aniž by na server odesílala skutečná data.

Telefon pak odešle do centrálního systému k syntéze pouze souhrn naučených výsledků (ve formě čísel nebo matematických vzorců).

Představte si to: miliony telefonů sdílejí „studijní zkušenosti“ místo „pracovních úkolů“. Umělá inteligence je stále chytřejší, ale vaše soukromá data nikdy neopouštějí váš telefon.

V roce 2017 Google představil federované učení pro Gboard, výchozí klávesnici pro Android, takže se aplikace dokáže naučit, jak píšete, předpovídat vaše další slovo a opravovat pravopisné chyby, aniž by musela posílat zprávy zpět na své servery.

Federované učení se tím ale nezastaví a otevírá velký potenciál i v oblasti medicíny . Namísto shromažďování dat o pacientech, které je omezeno přísnými předpisy, jako je HIPAA (USA) nebo GDPR (Evropa), mohou nemocnice trénovat diagnostické modely společně, aniž by sdílely skutečné záznamy.

Projekt EXAM (2020) iniciovaný společností NVIDIA je toho ukázkovým příkladem: více než 20 nemocnic po celém světě společně vyškolilo systém pro predikci onemocnění pacientů s COVID-19 bez výměny jakýchkoli osobních údajů.

Nejen Google, ale i Apple (aplikováno v Siri a klávesnici QuickType), Meta (s testovací platformou FLUTE), spolu s finančními institucemi jako WeBank nebo Ant Group a mnoha předními univerzitami, jako je Stanford nebo MIT, zkoumá nebo zavádí federované učení. Očekává se, že tato technologie se stane novým standardem pro systémy umělé inteligence, které respektují soukromí uživatelů.

Klíč ke spravedlivé a transparentní umělé inteligenci

Trénování na milionech zařízení s různou konfigurací, nestabilním připojením a omezenou kapacitou baterie představuje mnoho výzev, pokud jde o rychlost a přesnost učení. Riziko útoků s reverzním modelem navíc nutí vývojáře kombinovat federované učení s dalšími bezpečnostními technologiemi, jako je homomorfní šifrování nebo diferenciální soukromí.

Umělá inteligence vás poznává čím dál lépe, ale federované učení nabízí naději na změnu způsobu, jakým s technologiemi interagujeme. Místo pasivního sběru dat se nyní umělá inteligence učí přímo na vašem zařízení, aniž by potřebovala přístup ke skutečným osobním údajům.

To nejen chrání soukromí, ale také vytváří nové partnerství mezi lidmi a umělou inteligencí, kde vás umělá inteligence doprovází a učí se s vámi, místo aby narušovala vaše soukromí.

Po celém světě se o tento cíl snaží mnoho společností a výzkumníků. Očekává se, že federované učení se stane klíčem k transparentní, spravedlivé a uživatelsky přívětivé budoucnosti umělé inteligence, kde se umělá inteligence skutečně učí „s“ vámi, místo aby o vás „věděla příliš mnoho“.

Zpět k tématu

JEDNODUCHÁ INTELIGENCE

Zdroj: https://tuoitre.vn/cong-nghe-moi-giup-ai-hoc-cung-chu-khong-soi-du-lieu-nguoi-dung-20251008164916799.htm