Ny teknik hjälper AI att "lära med" snarare än att "titta på" användardata

Federated Learning gör det möjligt för AI att lära sig direkt på användarnas enheter och bli smartare för varje dag utan att samla in eller lagra personuppgifter.

Det finns fortfarande ett sätt att träna AI utan att dela användardata

I den digitala tidsåldern är personuppgifter "bränslet" för AI-utveckling. Men därifrån uppstår en paradox: ju mer AI förstår människor, desto mer sårbara är vi för "granskning".

Informationsläckor, alltför personlig reklam och icke-transparenta datainsamlingsmetoder har gjort användare alltmer försiktiga med att "överlämna" sina uppgifter till plattformar.

I det sammanhanget började teknikgemenskapen leta efter ett sätt för AI att fortfarande lära sig utan att samla in privat data, och det är Federated Learning.

Hur AI lär sig utan att se data

Till skillnad från den traditionella träningsmodellen måste all data, såsom meddelanden, bilder eller användningsvanor, skickas till servern för att AI ska kunna lära sig. Detta gör många oroliga eftersom personuppgifter kan samlas in eller läckas.

Med Federated Learning är processen omvänd: inlärningen sker direkt på din enhet, som din telefon. AI:n "observerar" bara hur du skriver eller använder appen för att rita sin egen inlärningsupplevelse, utan att skicka faktiska data till servern.

Telefonen skickar sedan endast en sammanfattning av de inlärda resultaten (i form av siffror eller matematiska formler) till det centrala systemet för syntes.

Tänk dig detta: miljontals telefoner som delar "lärandeupplevelser" istället för "arbetsuppgifter". AI:n blir smartare, men dina privata data lämnar aldrig din telefon.

År 2017 introducerade Google Federated Learning till Gboard, standardtangentbordet för Android, så att appen kan lära sig hur du skriver, förutsäga ditt nästa ord och korrigera stavfel utan att skicka meddelanden tillbaka till sina servrar.

Federated Learning slutar inte där, utan öppnar även upp stor potential inom det medicinska området. Istället för att samla in patientdata, vilket begränsas av strikta regler som HIPAA (USA) eller GDPR (Europa), kan sjukhus träna diagnostiska modeller tillsammans utan att dela riktiga journaler.

Det NVIDIA-initierade projektet EXAM (2020) är ett utmärkt exempel: fler än 20 sjukhus globalt utbildade gemensamt ett system för att förutsäga COVID-19-patienters tillstånd utan att utbyta några personuppgifter.

Inte bara Google, utan även Apple (används i Siri och QuickType-tangentbordet), Meta (med testplattformen FLUTE), tillsammans med finansinstitut som WeBank eller Ant Group, och många ledande universitet som Stanford och MIT forskar också på eller implementerar Federated Learning. Denna teknik förväntas bli den nya standarden för AI-system som respekterar användarnas integritet.

Nyckeln till rättvis och transparent AI

Träning på miljontals enheter med olika konfigurationer, instabila anslutningar och begränsad batterikapacitet skapar många utmaningar när det gäller inlärningshastighet och noggrannhet. Dessutom tvingar risken för omvända modellattacker utvecklare att kombinera Federated Learning med andra säkerhetstekniker som homomorf kryptering eller differentiell integritet.

AI blir bättre på att känna igen dig, men Federated Learning ger hopp om att förändra hur vi interagerar med teknik. Istället för att AI passivt samlar in data lär sig AI nu direkt på din enhet utan att behöva tillgång till faktiska personuppgifter.

Detta skyddar inte bara integriteten, utan skapar också ett nytt partnerskap mellan människor och AI där AI följer med och lär sig med dig, snarare än att inkräkta på din integritet.

Runt om i världen strävar många företag och forskare efter detta mål. Federated Learning förväntas bli nyckeln till en transparent, rättvis och användarrespekterande AI-framtid där AI faktiskt lär sig "med" dig, istället för att "veta för mycket" om dig.

Tillbaka till ämnet

ENKEL INTELLIGENS

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