فناوری جدید به هوش مصنوعی کمک می‌کند تا به جای «نگاه کردن» به داده‌های کاربر، «با» آنها «یاد بگیرد»

یادگیری فدرال به هوش مصنوعی این امکان را می‌دهد که مستقیماً روی دستگاه‌های کاربران یاد بگیرد و هر روز بدون جمع‌آوری یا ذخیره داده‌های شخصی، هوشمندتر شود.

هنوز راهی برای آموزش هوش مصنوعی بدون اشتراک‌گذاری داده‌های کاربر وجود دارد

در عصر دیجیتال، داده‌های شخصی «سوخت» توسعه هوش مصنوعی هستند. اما از آنجا، یک پارادوکس ظاهر می‌شود: هرچه هوش مصنوعی انسان‌ها را بیشتر درک کند، ما در برابر «بررسی دقیق» آسیب‌پذیرتر می‌شویم.

نشت اطلاعات، تبلیغات بیش از حد شخصی‌سازی‌شده و شیوه‌های غیرشفاف جمع‌آوری داده‌ها، کاربران را به‌طور فزاینده‌ای نسبت به «تحویل» داده‌هایشان به پلتفرم‌ها محتاط کرده است.

در این زمینه، جامعه فناوری به دنبال راهی برای هوش مصنوعی بود که بدون جمع‌آوری داده‌های خصوصی، همچنان به یادگیری ادامه دهد و آن یادگیری فدرال است.

چگونه هوش مصنوعی بدون دیدن داده‌ها یاد می‌گیرد

برخلاف مدل آموزش سنتی، تمام داده‌ها مانند پیام‌ها، تصاویر یا عادات استفاده باید برای یادگیری هوش مصنوعی به سرور ارسال شوند. این موضوع بسیاری از افراد را نگران می‌کند زیرا داده‌های شخصی می‌توانند جمع‌آوری یا فاش شوند.

با یادگیری فدرال، این فرآیند برعکس می‌شود: یادگیری درست روی دستگاه شما، مانند تلفن شما، اتفاق می‌افتد. هوش مصنوعی فقط نحوه تایپ یا استفاده شما از برنامه را "مشاهده" می‌کند تا تجربه یادگیری خود را ترسیم کند، بدون اینکه داده‌های واقعی را به سرور ارسال کند.

سپس تلفن فقط خلاصه‌ای از نتایج آموخته‌شده (به شکل اعداد یا فرمول‌های ریاضی) را برای ترکیب به سیستم مرکزی ارسال می‌کند.

تصور کنید: میلیون‌ها گوشی به جای «تکالیف کاری»، «تجربیات یادگیری» را به اشتراک می‌گذارند. هوش مصنوعی مدام هوشمندتر می‌شود، اما داده‌های خصوصی شما هرگز از گوشی‌تان خارج نمی‌شوند.

در سال ۲۰۱۷، گوگل قابلیت Federated Learning را به Gboard، کیبورد پیش‌فرض اندروید، معرفی کرد تا این اپلیکیشن بتواند نحوه تایپ شما را یاد بگیرد، کلمه بعدی شما را پیش‌بینی کند و اشتباهات املایی را بدون ارسال پیام به سرورهای خود اصلاح کند.

یادگیری فدرال به همین جا ختم نمی‌شود، بلکه پتانسیل بزرگی را در حوزه پزشکی نیز ایجاد می‌کند. به جای جمع‌آوری داده‌های بیمار، که توسط مقررات سختگیرانه‌ای مانند HIPAA (ایالات متحده آمریکا) یا GDPR (اروپا) محدود شده است، بیمارستان‌ها می‌توانند مدل‌های تشخیصی را بدون به اشتراک گذاشتن سوابق واقعی، با هم آموزش دهند.

پروژه EXAM (2020) که توسط NVIDIA آغاز شده است، نمونه بارزی از این دست است: بیش از 20 بیمارستان جهانی به طور مشترک سیستمی را آموزش دادند تا شرایط بیماران کووید-19 را بدون تبادل هیچ گونه اطلاعات شخصی پیش‌بینی کند.

نه تنها گوگل، بلکه اپل (که در سیری و کیبورد QuickType به کار رفته است)، متا (با پلتفرم تست FLUTE)، به همراه موسسات مالی مانند WeBank یا Ant Group و بسیاری از دانشگاه‌های پیشرو مانند استنفورد و MIT نیز در حال تحقیق یا استقرار Federated Learning هستند. انتظار می‌رود این فناوری به استاندارد جدیدی برای سیستم‌های هوش مصنوعی تبدیل شود که به حریم خصوصی کاربران احترام می‌گذارند.

کلید هوش مصنوعی منصفانه و شفاف

آموزش روی میلیون‌ها دستگاه با پیکربندی‌های متنوع، اتصالات ناپایدار و ظرفیت باتری محدود، چالش‌های زیادی را از نظر سرعت و دقت یادگیری ایجاد می‌کند. علاوه بر این، خطر حملات مدل معکوس نیز توسعه‌دهندگان را مجبور می‌کند تا یادگیری فدرال را با سایر فناوری‌های امنیتی مانند رمزگذاری همومورفیک یا حریم خصوصی تفاضلی ترکیب کنند.

هوش مصنوعی در شناخت شما بهتر می‌شود، اما یادگیری فدرال (Federated Learning) امیدی برای تغییر نحوه تعامل ما با فناوری ارائه می‌دهد. به جای اینکه هوش مصنوعی به صورت غیرفعال داده‌ها را جمع‌آوری کند، اکنون هوش مصنوعی مستقیماً روی دستگاه شما و بدون نیاز به دسترسی به داده‌های شخصی واقعی، یاد می‌گیرد.

این امر نه تنها از حریم خصوصی محافظت می‌کند، بلکه یک همکاری جدید بین انسان‌ها و هوش مصنوعی ایجاد می‌کند که در آن هوش مصنوعی به جای تجاوز به حریم خصوصی شما، با شما همراه می‌شود و یاد می‌گیرد.

در سراسر جهان ، بسیاری از شرکت‌ها و محققان این هدف را دنبال می‌کنند. انتظار می‌رود که یادگیری فدرال به کلید آینده‌ای شفاف، منصفانه و کاربرپسند در حوزه هوش مصنوعی تبدیل شود، جایی که هوش مصنوعی در واقع «همراه» با شما یاد می‌گیرد، نه اینکه «بیش از حد درباره شما بداند».

بازگشت به موضوع

هوش واحد

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