เทคโนโลยีใหม่ช่วยให้ AI 'เรียนรู้ด้วย' มากกว่า 'ดู' ข้อมูลผู้ใช้

การเรียนรู้แบบรวมศูนย์ช่วยให้ AI สามารถเรียนรู้ได้โดยตรงบนอุปกรณ์ของผู้ใช้ ทำให้ฉลาดขึ้นทุกวันโดยไม่ต้องรวบรวมหรือจัดเก็บข้อมูลส่วนบุคคล

ยังมีวิธีฝึก AI โดยไม่ต้องแชร์ข้อมูลผู้ใช้

ในยุคดิจิทัล ข้อมูลส่วนบุคคลคือ “เชื้อเพลิง” สำคัญในการพัฒนา AI แต่จากจุดนั้น ความขัดแย้งก็ปรากฏขึ้น นั่นคือ ยิ่ง AI เข้าใจมนุษย์มากเท่าไหร่ เราก็ยิ่งเสี่ยงต่อการถูก “ตรวจสอบ” มากขึ้นเท่านั้น

การรั่วไหลของข้อมูล การโฆษณาที่เป็นส่วนตัวมากเกินไป และแนวทางการรวบรวมข้อมูลที่ไม่โปร่งใส ทำให้ผู้ใช้ระมัดระวังมากขึ้นในการ "ส่งมอบ" ข้อมูลของตนให้กับแพลตฟอร์ม

ในบริบทนั้น ชุมชนเทคโนโลยีเริ่มมองหาวิธีให้ AI ยังคงเรียนรู้ได้โดยไม่ต้องรวบรวมข้อมูลส่วนตัว และนั่นก็คือ การเรียนรู้แบบรวมศูนย์

AI เรียนรู้ได้อย่างไรโดยไม่ต้องมองเห็นข้อมูล

ต่างจากรูปแบบการฝึกอบรมแบบเดิม ข้อมูลทั้งหมด เช่น ข้อความ รูปภาพ หรือพฤติกรรมการใช้งาน จะต้องถูกส่งไปยังเซิร์ฟเวอร์เพื่อให้ AI เรียนรู้ ซึ่งทำให้หลายคนกังวล เพราะข้อมูลส่วนบุคคลอาจถูกเก็บรวบรวมหรือรั่วไหลได้

ด้วยการเรียนรู้แบบรวมศูนย์ กระบวนการนี้จะย้อนกลับ: การเรียนรู้จะเกิดขึ้นบนอุปกรณ์ของคุณโดยตรง เช่นเดียวกับโทรศัพท์ของคุณ AI จะ "สังเกต" วิธีที่คุณพิมพ์หรือใช้แอปเพื่อวาดประสบการณ์การเรียนรู้ของมันเอง โดยไม่ต้องส่งข้อมูลจริงไปยังเซิร์ฟเวอร์

จากนั้นโทรศัพท์จะส่งเฉพาะผลสรุปของการเรียนรู้ (ในรูปแบบตัวเลขหรือสูตรคณิตศาสตร์) ไปยังระบบกลางเพื่อสังเคราะห์

ลองนึกภาพดูสิ: โทรศัพท์หลายล้านเครื่องแบ่งปัน "ประสบการณ์การเรียนรู้" แทนที่จะเป็น "งานที่ได้รับมอบหมาย" AI ฉลาดขึ้นเรื่อยๆ แต่ข้อมูลส่วนตัวของคุณไม่เคยหายไปจากโทรศัพท์ของคุณเลย

ในปี 2017 Google ได้เปิดตัว Federated Learning ให้กับ Gboard ซึ่งเป็นคีย์บอร์ดเริ่มต้นของ Android เพื่อให้แอปสามารถเรียนรู้วิธีพิมพ์ของคุณ คาดเดาคำถัดไป และแก้ไขข้อผิดพลาดในการสะกดคำโดยไม่ต้องส่งข้อความกลับไปยังเซิร์ฟเวอร์

ไม่เพียงเท่านั้น Federated Learning ยังเปิดโอกาสอันยิ่งใหญ่ในแวดวง การแพทย์ อีกด้วย แทนที่จะต้องรวบรวมข้อมูลผู้ป่วยซึ่งมีข้อจำกัดตามกฎระเบียบที่เข้มงวด เช่น HIPAA (สหรัฐอเมริกา) หรือ GDPR (ยุโรป) โรงพยาบาลต่างๆ สามารถฝึกอบรมแบบจำลองการวินิจฉัยร่วมกันได้โดยไม่ต้องเปิดเผยข้อมูลจริงร่วมกัน

โครงการ EXAM (2020) ที่ริเริ่มโดย NVIDIA ถือเป็นตัวอย่างที่ดี: โรงพยาบาลทั่วโลกมากกว่า 20 แห่งร่วมกันฝึกอบรมระบบเพื่อคาดการณ์สภาวะของผู้ป่วย COVID-19 โดยไม่ต้องแลกเปลี่ยนข้อมูลส่วนบุคคลใดๆ

ไม่เพียงแต่ Google เท่านั้น แต่ Apple (ซึ่งนำมาใช้ใน Siri และคีย์บอร์ด QuickType), Meta (พร้อมแพลตฟอร์มทดสอบ FLUTE) รวมถึงสถาบันการเงินอย่าง WeBank หรือ Ant Group และมหาวิทยาลัยชั้นนำหลายแห่ง เช่น Stanford และ MIT ก็กำลังวิจัยหรือนำ Federated Learning มาใช้เช่นกัน คาดว่าเทคโนโลยีนี้จะกลายเป็นมาตรฐานใหม่สำหรับระบบ AI ที่เคารพความเป็นส่วนตัวของผู้ใช้

กุญแจสำคัญของ AI ที่ยุติธรรมและโปร่งใส

การฝึกอบรมบนอุปกรณ์หลายล้านเครื่องที่มีการกำหนดค่าที่หลากหลาย การเชื่อมต่อที่ไม่เสถียร และความจุแบตเตอรี่ที่จำกัด ก่อให้เกิดความท้าทายมากมายในด้านความเร็วและความแม่นยำในการเรียนรู้ นอกจากนี้ ความเสี่ยงจากการโจมตีแบบจำลองย้อนกลับยังบังคับให้นักพัฒนาต้องผสานรวมการเรียนรู้แบบ Federated Learning เข้ากับเทคโนโลยีความปลอดภัยอื่นๆ เช่น การเข้ารหัสแบบโฮโมมอร์ฟิก หรือความเป็นส่วนตัวแบบดิฟเฟอเรนเชียล

AI กำลังรู้จักคุณมากขึ้นเรื่อยๆ แต่ Federated Learning มอบความหวังในการเปลี่ยนแปลงวิธีที่เราโต้ตอบกับเทคโนโลยี แทนที่ AI จะรวบรวมข้อมูลแบบพาสซีฟ AI จะเรียนรู้โดยตรงบนอุปกรณ์ของคุณโดยไม่จำเป็นต้องเข้าถึงข้อมูลส่วนบุคคลจริงๆ

สิ่งนี้ไม่เพียงแต่ปกป้องความเป็นส่วนตัว แต่ยังสร้างความร่วมมือใหม่ระหว่างมนุษย์และ AI โดยที่ AI จะมาร่วมทางและเรียนรู้ไปกับคุณ แทนที่จะละเมิดความเป็นส่วนตัวของคุณ

บริษัทและนักวิจัยมากมายทั่ว โลก กำลังมุ่งสู่เป้าหมายนี้ คาดว่า Federated Learning จะกลายเป็นกุญแจสำคัญสู่อนาคต AI ที่โปร่งใส ยุติธรรม และเคารพผู้ใช้ ซึ่ง AI จะเรียนรู้ "ร่วมกับ" คุณอย่างแท้จริง แทนที่จะ "รู้มากเกินไป" เกี่ยวกับคุณ

กลับสู่หัวข้อ

สติปัญญาเดียว

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