ເຕັກໂນໂລຊີໃຫມ່ຊ່ວຍໃຫ້ AI 'ຮຽນຮູ້ກັບ' ແທນທີ່ຈະ 'ເບິ່ງ' ຂໍ້ມູນຜູ້ໃຊ້

Federated Learning ຊ່ວຍໃຫ້ AI ສາມາດຮຽນຮູ້ໄດ້ໂດຍກົງໃນອຸປະກອນຂອງຜູ້ໃຊ້, ສະຫລາດຂຶ້ນທຸກໆມື້ໂດຍບໍ່ຕ້ອງເກັບກຳ ຫຼືເກັບຮັກສາຂໍ້ມູນສ່ວນຕົວ.

ຍັງມີວິທີການຝຶກອົບຮົມ AI ໂດຍບໍ່ມີການແບ່ງປັນຂໍ້ມູນຜູ້ໃຊ້

ໃນຍຸກດິຈິຕອນ, ຂໍ້ມູນສ່ວນບຸກຄົນແມ່ນ "ນໍ້າມັນ" ສໍາລັບການພັດທະນາ AI. ແຕ່ຈາກນັ້ນ, ຄວາມບໍ່ສົມດຸນປະກົດວ່າ: AI ເຂົ້າໃຈມະນຸດຫຼາຍ, ພວກເຮົາມີຄວາມສ່ຽງຫຼາຍທີ່ຈະ "ກວດສອບ".

ການຮົ່ວໄຫລຂອງຂໍ້ມູນ, ການໂຄສະນາສ່ວນບຸກຄົນຫຼາຍເກີນໄປ, ແລະການປະຕິບັດການເກັບຂໍ້ມູນທີ່ບໍ່ໂປ່ງໃສໄດ້ເຮັດໃຫ້ຜູ້ໃຊ້ມີຄວາມລະມັດລະວັງຫຼາຍຂຶ້ນໃນ "ການມອບ" ຂໍ້ມູນຂອງພວກເຂົາໃຫ້ກັບເວທີ.

ໃນສະພາບການນັ້ນ, ຊຸມຊົນເຕັກໂນໂລຢີເລີ່ມຊອກຫາວິທີທາງເພື່ອໃຫ້ AI ຍັງຄົງຮຽນຮູ້ໂດຍບໍ່ມີການເກັບກໍາຂໍ້ມູນສ່ວນຕົວ, ແລະນັ້ນແມ່ນການຮຽນຮູ້ແບບສະຫະພັນ.

AI ຮຽນຮູ້ແນວໃດໂດຍບໍ່ເຫັນຂໍ້ມູນ

ບໍ່ຄືກັບຮູບແບບການຝຶກອົບຮົມແບບດັ້ງເດີມ, ຂໍ້ມູນທັງຫມົດເຊັ່ນ: ຂໍ້ຄວາມ, ຮູບພາບ, ຫຼືນິໄສການນໍາໃຊ້ຕ້ອງຖືກສົ່ງໄປຫາເຄື່ອງແມ່ຂ່າຍເພື່ອໃຫ້ AI ຮຽນຮູ້. ນີ້ເຮັດໃຫ້ປະຊາຊົນຈໍານວນຫຼາຍກັງວົນເພາະວ່າຂໍ້ມູນສ່ວນບຸກຄົນສາມາດເກັບກໍາຫຼືຮົ່ວໄຫຼ.

ດ້ວຍ Federated Learning, ຂະບວນການຈະຖືກປີ້ນກັບກັນ: ການຮຽນຮູ້ເກີດຂຶ້ນໃນອຸປະກອນຂອງທ່ານ, ເຊັ່ນ: ໂທລະສັບຂອງທ່ານ. AI ພຽງແຕ່ "ສັງເກດ" ວິທີທີ່ທ່ານພິມຫຼືໃຊ້ app ເພື່ອແຕ້ມປະສົບການການຮຽນຮູ້ຂອງຕົນເອງ, ໂດຍບໍ່ມີການສົ່ງຂໍ້ມູນຕົວຈິງກັບເຄື່ອງແມ່ຂ່າຍ.

ຫຼັງຈາກນັ້ນ, ໂທລະສັບຈະສົ່ງພຽງແຕ່ບົດສະຫຼຸບຂອງຜົນໄດ້ຮັບທີ່ຮຽນຮູ້ (ໃນຮູບແບບຂອງຕົວເລກຫຼືສູດຄະນິດສາດ) ໄປຫາລະບົບສູນກາງເພື່ອສັງເຄາະ.

ຈິນຕະນາການນີ້: ໂທລະສັບນັບລ້ານແບ່ງປັນ "ປະສົບການການຮຽນຮູ້" ແທນທີ່ຈະເປັນ "ວຽກມອບຫມາຍ." AI ສືບຕໍ່ສະຫລາດຂຶ້ນ, ແຕ່ຂໍ້ມູນສ່ວນຕົວຂອງເຈົ້າບໍ່ເຄີຍອອກຈາກໂທລະສັບຂອງທ່ານ.

ໃນປີ 2017, Google ໄດ້ນໍາສະເຫນີ Federated Learning to Gboard, ແປ້ນພິມ Android ເລີ່ມຕົ້ນ, ດັ່ງນັ້ນແອັບຯສາມາດຮຽນຮູ້ວິທີທີ່ທ່ານພິມ, ຄາດຄະເນຄໍາຕໍ່ໄປຂອງທ່ານແລະແກ້ໄຂການສະກົດຄໍາຜິດພາດໂດຍບໍ່ມີການສົ່ງຂໍ້ຄວາມກັບຄືນໄປບ່ອນເຄື່ອງແມ່ຂ່າຍຂອງມັນ.

ບໍ່ຢຸດຢູ່ທີ່ນັ້ນ, Federated Learning ຍັງເປີດທ່າແຮງອັນໃຫຍ່ຫຼວງໃນດ້ານ ການແພດ . ແທນທີ່ຈະເກັບກໍາຂໍ້ມູນຄົນເຈັບ, ເຊິ່ງຖືກຈໍາກັດໂດຍກົດລະບຽບທີ່ເຄັ່ງຄັດເຊັ່ນ HIPAA (USA) ຫຼື GDPR (ເອີຣົບ), ໂຮງຫມໍສາມາດຝຶກອົບຮົມແບບຈໍາລອງການວິນິດໄສຮ່ວມກັນໂດຍບໍ່ມີການແບ່ງປັນບັນທຶກທີ່ແທ້ຈິງ.

ໂຄງການ NVIDIA-initiated EXAM (2020) ເປັນຕົວຢ່າງຫຼັກ: ມີໂຮງໝໍທົ່ວໂລກຫຼາຍກວ່າ 20 ແຫ່ງໄດ້ຮ່ວມກັນຝຶກອົບຮົມລະບົບເພື່ອຄາດຄະເນສະພາບຄົນເຈັບ COVID-19 ໂດຍບໍ່ມີການແລກປ່ຽນຂໍ້ມູນສ່ວນຕົວໃດໆ.

ບໍ່ພຽງແຕ່ Google, ແຕ່ຍັງ Apple (ໃຊ້ໃນແປ້ນພິມ Siri ແລະ QuickType), Meta (ກັບເວທີການທົດສອບ FLUTE), ພ້ອມກັບສະຖາບັນການເງິນເຊັ່ນ WeBank ຫຼື Ant Group, ແລະມະຫາວິທະຍາໄລຊັ້ນນໍາຫຼາຍແຫ່ງເຊັ່ນ Stanford, MIT ຍັງຄົ້ນຄ້ວາຫຼືນໍາໃຊ້ Federated Learning. ເຕັກໂນໂລຢີນີ້ຄາດວ່າຈະກາຍເປັນມາດຕະຖານໃຫມ່ສໍາລັບລະບົບ AI ທີ່ເຄົາລົບຄວາມເປັນສ່ວນຕົວຂອງຜູ້ໃຊ້.

ກຸນແຈສໍາລັບ AI ຍຸຕິທໍາແລະໂປ່ງໃສ

ການຝຶກອົບຮົມໃນອຸປະກອນນັບລ້ານທີ່ມີການຕັ້ງຄ່າທີ່ຫຼາກຫຼາຍ, ການເຊື່ອມຕໍ່ທີ່ບໍ່ສະຖຽນ ແລະ ຄວາມອາດສາມາດຂອງແບດເຕີລີ່ທີ່ຈຳກັດສ້າງສິ່ງທ້າທາຍຫຼາຍຢ່າງກ່ຽວກັບຄວາມໄວ ແລະຄວາມຖືກຕ້ອງຂອງການຮຽນຮູ້. ນອກຈາກນັ້ນ, ຄວາມສ່ຽງຂອງການໂຈມຕີແບບຈໍາລອງແບບປີ້ນກັບກັນຍັງບັງຄັບໃຫ້ນັກພັດທະນາປະສົມປະສານການຮຽນຮູ້ແບບ Federated ກັບເຕັກໂນໂລຢີຄວາມປອດໄພອື່ນໆເຊັ່ນ: ການເຂົ້າລະຫັດ homomorphic ຫຼືຄວາມເປັນສ່ວນຕົວທີ່ແຕກຕ່າງກັນ.

AI ກໍາລັງຮູ້ຈັກເຈົ້າດີຂຶ້ນ, ແຕ່ Federated Learning ສະເຫນີຄວາມຫວັງສໍາລັບການປ່ຽນແປງວິທີທີ່ພວກເຮົາພົວພັນກັບເຕັກໂນໂລຢີ. ແທນທີ່ AI ຈະເກັບກຳຂໍ້ມູນຢ່າງບໍ່ຢຸດຢັ້ງ, ດຽວນີ້ AI ຈະຮຽນຮູ້ໂດຍກົງໃນອຸປະກອນຂອງທ່ານໂດຍບໍ່ຈຳເປັນຕ້ອງເຂົ້າເຖິງຂໍ້ມູນສ່ວນຕົວຕົວຈິງ.

ນີ້ບໍ່ພຽງແຕ່ປົກປ້ອງຄວາມເປັນສ່ວນຕົວ, ແຕ່ຍັງສ້າງການຮ່ວມມືໃຫມ່ລະຫວ່າງມະນຸດແລະ AI ບ່ອນທີ່ AI ມາພ້ອມກັບແລະຮຽນຮູ້ກັບທ່ານ, ແທນທີ່ຈະເປັນການຮຸກຮານຄວາມເປັນສ່ວນຕົວຂອງທ່ານ.

ໃນທົ່ວ ໂລກ , ບໍລິສັດແລະນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍກໍາລັງປະຕິບັດເປົ້າຫມາຍນີ້. Federated Learning ຄາດວ່າຈະກາຍມາເປັນກຸນແຈສໍາລັບອະນາຄົດ AI ທີ່ໂປ່ງໃສ, ຍຸຕິທໍາແລະເຄົາລົບຜູ້ໃຊ້ທີ່ AI ຮຽນຮູ້ "ກັບ" ເຈົ້າ, ແທນທີ່ຈະ "ຮູ້ຫຼາຍ" ກ່ຽວກັບເຈົ້າ.

ກັບໄປທີ່ຫົວຂໍ້

ສະຕິປັນຍາດຽວ

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