បច្ចេកវិទ្យាថ្មីជួយ AI 'រៀនជាមួយ' ជាជាង 'មើល' ទិន្នន័យអ្នកប្រើប្រាស់

Federated Learning អនុញ្ញាតឱ្យ AI រៀនដោយផ្ទាល់នៅលើឧបករណ៍របស់អ្នកប្រើប្រាស់ ដោយកាន់តែឆ្លាតវៃជារៀងរាល់ថ្ងៃ ដោយមិនចាំបាច់ប្រមូល ឬរក្សាទុកទិន្នន័យផ្ទាល់ខ្លួន។

វានៅតែមានវិធីក្នុងការបណ្តុះបណ្តាល AI ដោយមិនចាំបាច់ចែករំលែកទិន្នន័យអ្នកប្រើប្រាស់

នៅក្នុងយុគសម័យឌីជីថល ទិន្នន័យផ្ទាល់ខ្លួនគឺជា "ឥន្ធនៈ" សម្រាប់ការអភិវឌ្ឍន៍ AI ។ ប៉ុន្តែពីទីនោះ ភាពចម្លែកមួយលេចឡើង៖ AI កាន់តែយល់ពីមនុស្ស នោះយើងកាន់តែងាយរងគ្រោះក្នុង "ការពិនិត្យ"។

ការលេចធ្លាយព័ត៌មាន ការផ្សាយពាណិជ្ជកម្មដែលមានលក្ខណៈផ្ទាល់ខ្លួនហួសហេតុ និងការអនុវត្តការប្រមូលទិន្នន័យមិនតម្លាភាពបានធ្វើឱ្យអ្នកប្រើប្រាស់មានការប្រុងប្រយ័ត្នកាន់តែខ្លាំងឡើងចំពោះ "ការប្រគល់" ទិន្នន័យរបស់ពួកគេទៅកាន់វេទិកា។

នៅក្នុងបរិបទនោះ សហគមន៍បច្ចេកវិទ្យាបានចាប់ផ្តើមស្វែងរកមធ្យោបាយសម្រាប់ AI ដើម្បីនៅតែរៀនដោយមិនប្រមូលទិន្នន័យឯកជន ហើយនោះគឺជា Federated Learning។

របៀបដែល AI រៀនដោយមិនឃើញទិន្នន័យ

មិនដូចគំរូបណ្ដុះបណ្ដាលបែបប្រពៃណីទេ ទិន្នន័យទាំងអស់ដូចជាសារ រូបភាព ឬទម្លាប់នៃការប្រើប្រាស់ត្រូវតែផ្ញើទៅម៉ាស៊ីនមេដើម្បីឱ្យ AI រៀន។ នេះធ្វើឱ្យមនុស្សជាច្រើនព្រួយបារម្ភព្រោះទិន្នន័យផ្ទាល់ខ្លួនអាចត្រូវបានប្រមូលឬលេចធ្លាយ។

ជាមួយនឹង Federated Learning ដំណើរការនេះត្រូវបានបញ្ច្រាស់៖ ការរៀនសូត្រកើតឡើងភ្លាមៗនៅលើឧបករណ៍របស់អ្នក ដូចជាទូរសព្ទរបស់អ្នក។ AI គ្រាន់តែ "សង្កេត" ពីរបៀបដែលអ្នកវាយ ឬប្រើកម្មវិធីដើម្បីគូរបទពិសោធន៍សិក្សារបស់ខ្លួន ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យពិតប្រាកដទៅម៉ាស៊ីនមេ។

បន្ទាប់មក ទូរស័ព្ទបញ្ជូនតែសេចក្តីសង្ខេបនៃលទ្ធផលដែលបានសិក្សា (ក្នុងទម្រង់ជាលេខ ឬរូបមន្តគណិតវិទ្យា) ទៅកាន់ប្រព័ន្ធកណ្តាលសម្រាប់ការសំយោគ។

ស្រមៃមើល៖ ទូរសព្ទរាប់លានគ្រឿងចែករំលែក "បទពិសោធន៍សិក្សា" ជំនួសឱ្យ "កិច្ចការការងារ"។ AI កាន់តែឆ្លាតជាងមុន ប៉ុន្តែទិន្នន័យឯកជនរបស់អ្នកមិនដែលទុកទូរសព្ទរបស់អ្នកឡើយ។

ក្នុងឆ្នាំ 2017 Google បានណែនាំ Federated Learning to Gboard ដែលជាក្តារចុច Android លំនាំដើម ដូច្នេះកម្មវិធីអាចរៀនពីរបៀបដែលអ្នកវាយអក្សរ ទស្សន៍ទាយពាក្យបន្ទាប់របស់អ្នក និងកែកំហុសអក្ខរាវិរុទ្ធដោយមិនចាំបាច់ផ្ញើសារត្រឡប់ទៅម៉ាស៊ីនមេរបស់វាវិញ។

មិនឈប់នៅទីនោះទេ Federated Learning ក៏បើកសក្តានុពលដ៏អស្ចារ្យក្នុងវិស័យ វេជ្ជសាស្ត្រ ផងដែរ។ ជំនួសឱ្យការប្រមូលទិន្នន័យអ្នកជំងឺដែលត្រូវបានកំណត់ដោយបទប្បញ្ញត្តិតឹងរឹងដូចជា HIPAA (USA) ឬ GDPR (អឺរ៉ុប) មន្ទីរពេទ្យអាចបណ្តុះបណ្តាលគំរូរោគវិនិច្ឆ័យរួមគ្នាដោយមិនចែករំលែកកំណត់ត្រាពិតប្រាកដ។

គម្រោង EXAM ដែលផ្តួចផ្តើមដោយ NVIDIA (2020) គឺជាឧទាហរណ៍ដ៏សំខាន់មួយ៖ មន្ទីរពេទ្យពិភពលោកជាង 20 បានរួមគ្នាបណ្តុះបណ្តាលប្រព័ន្ធមួយដើម្បីទស្សន៍ទាយស្ថានភាពអ្នកជំងឺ COVID-19 ដោយមិនចាំបាច់ផ្លាស់ប្តូរទិន្នន័យផ្ទាល់ខ្លួនណាមួយឡើយ។

មិនត្រឹមតែ Google ប៉ុណ្ណោះទេ ថែមទាំង Apple (បានប្រើក្នុង Siri និង QuickType keyboard) Meta (ជាមួយវេទិកាសាកល្បង FLUTE) រួមជាមួយនឹងស្ថាប័នហិរញ្ញវត្ថុដូចជា WeBank ឬ Ant Group និងសាកលវិទ្យាល័យឈានមុខគេជាច្រើនដូចជា Stanford, MIT ក៏កំពុងស្រាវជ្រាវ ឬដាក់ឱ្យប្រើប្រាស់ Federated Learning ផងដែរ។ បច្ចេកវិទ្យានេះត្រូវបានគេរំពឹងថានឹងក្លាយជាស្តង់ដារថ្មីសម្រាប់ប្រព័ន្ធ AI ដែលគោរពភាពឯកជនរបស់អ្នកប្រើប្រាស់។

គន្លឹះនៃ AI យុត្តិធម៌ និងតម្លាភាព

ការបណ្តុះបណ្តាលលើឧបករណ៍រាប់លានដែលមានការកំណត់រចនាសម្ព័ន្ធចម្រុះ ការតភ្ជាប់មិនស្ថិតស្ថេរ និងសមត្ថភាពថ្មមានកម្រិត បង្កើតបញ្ហាប្រឈមជាច្រើនទាក់ទងនឹងល្បឿនសិក្សា និងភាពត្រឹមត្រូវ។ លើសពីនេះ ហានិភ័យនៃការវាយប្រហារតាមគំរូបញ្ច្រាសក៏បង្ខំឱ្យអ្នកបង្កើតការរួមបញ្ចូល Federated Learning ជាមួយនឹងបច្ចេកវិទ្យាសុវត្ថិភាពផ្សេងទៀត ដូចជាការអ៊ិនគ្រីប homomorphic ឬភាពឯកជនឌីផេរ៉ង់ស្យែល។

AI កាន់តែប្រសើរឡើងក្នុងការស្គាល់អ្នក ប៉ុន្តែ Federated Learning ផ្តល់នូវក្តីសង្ឃឹមសម្រាប់ការផ្លាស់ប្តូរវិធីដែលយើងធ្វើអន្តរកម្មជាមួយបច្ចេកវិទ្យា។ ជំនួសឱ្យ AI ប្រមូលទិន្នន័យដោយអសកម្ម ឥឡូវនេះ AI រៀនដោយផ្ទាល់នៅលើឧបករណ៍របស់អ្នកដោយមិនចាំបាច់ចូលប្រើទិន្នន័យផ្ទាល់ខ្លួនជាក់ស្តែង។

នេះមិនត្រឹមតែការពារភាពឯកជនប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងបង្កើតភាពជាដៃគូថ្មីរវាងមនុស្ស និង AI ដែល AI អមដំណើរ និងរៀនជាមួយអ្នក ជាជាងការឈ្លានពានឯកជនភាពរបស់អ្នក។

នៅជុំវិញ ពិភពលោក មានក្រុមហ៊ុន និងអ្នកស្រាវជ្រាវជាច្រើនកំពុងស្វែងរកគោលដៅនេះ។ Federated Learning ត្រូវបានគេរំពឹងថានឹងក្លាយទៅជាគន្លឹះនៃអនាគត AI ប្រកបដោយតម្លាភាព យុត្តិធម៌ និងគោរពអ្នកប្រើប្រាស់ ដែល AI ពិតជារៀន "ជាមួយអ្នក" ជំនួសឱ្យ "ការដឹងច្រើនពេក" អំពីអ្នក។

ត្រឡប់ទៅ ប្រធានបទ

ភាពវៃឆ្លាតតែមួយ

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