
Все ще існує спосіб навчати ШІ без обміну даними користувачів
У цифрову епоху персональні дані є «паливом» для розвитку штучного інтелекту. Але звідси виникає парадокс: чим краще штучний інтелект розуміє людей, тим вразливішими ми стаємо до «ретельної перевірки».
Витік інформації, надмірно персоналізована реклама та непрозорі методи збору даних змусили користувачів дедалі більше обережно ставитися до «передачі» своїх даних платформам.
У цьому контексті технологічна спільнота почала шукати спосіб, за допомогою якого ШІ все ще міг би навчатися без збору особистих даних, і це називається федеративним навчанням.
Як ШІ навчається, не бачачи даних
На відміну від традиційної моделі навчання, всі дані, такі як повідомлення, зображення чи звички використання, мають бути надіслані на сервер для навчання ШІ. Це викликає занепокоєння у багатьох людей, оскільки це може призвести до збору або витоку персональних даних.
З федеративним навчанням процес відбувається навпаки: навчання відбувається безпосередньо на вашому пристрої, наприклад, на телефоні. Штучний інтелект просто «спостерігає», як ви друкуєте або використовуєте додаток, щоб створити власний навчальний досвід, не надсилаючи фактичні дані на сервер.
Потім телефон надсилає до центральної системи лише зведену інформацію про отримані результати (у вигляді чисел або математичних формул) для синтезу.
Уявіть собі: мільйони телефонів діляться «навчальним досвідом» замість «робочих завдань». Штучний інтелект стає все розумнішим, але ваші особисті дані ніколи не залишають ваш телефон.
У 2017 році Google представила технологію Federated Learning для Gboard, клавіатури Android за замовчуванням, завдяки якій додаток може вивчати, як ви друкуєте, передбачати ваше наступне слово та виправляти орфографічні помилки, не надсилаючи повідомлення назад на свої сервери.
Не зупиняючись на цьому, федеративне навчання також відкриває великий потенціал у медичній галузі. Замість збору даних пацієнтів, який обмежений суворими правилами, такими як HIPAA (США) або GDPR (Європа), лікарні можуть разом навчати діагностичні моделі, не обмінюючись реальними записами.
Проєкт EXAM (2020), ініційований NVIDIA, є яскравим прикладом: понад 20 лікарень по всьому світу спільно навчили систему прогнозування захворювань пацієнтів на COVID-19 без обміну будь-якими персональними даними.
Не лише Google, але й Apple (застосовується в Siri та клавіатурі QuickType), Meta (з платформою тестування FLUTE), а також фінансові установи, такі як WeBank або Ant Group, та багато провідних університетів, таких як Стенфорд, Массачусетський технологічний інститут, також досліджують або впроваджують федеративне навчання. Очікується, що ця технологія стане новим стандартом для систем штучного інтелекту, які поважають конфіденційність користувачів.
Ключ до справедливого та прозорого ШІ
Навчання на мільйонах пристроїв з різноманітними конфігураціями, нестабільним з'єднанням та обмеженою ємністю акумулятора створює багато проблем з точки зору швидкості та точності навчання. Крім того, ризик атак зворотної моделі також змушує розробників поєднувати федеративне навчання з іншими технологіями безпеки, такими як гомоморфне шифрування або диференціальна конфіденційність.
Штучний інтелект (ШІ) стає кращим у розумінні людей, але федеративне навчання дає надію на зміну способу нашої взаємодії з технологіями. Замість пасивного збору даних ШІ тепер навчається безпосередньо на вашому пристрої, не потребуючи доступу до фактичних персональних даних.
Це не лише захищає конфіденційність, але й створює нове партнерство між людьми та штучним інтелектом, де штучний інтелект супроводжує вас та навчається разом з вами, а не порушує вашу конфіденційність.
У всьому світі багато компаній та дослідників прагнуть досягти цієї мети. Очікується, що федеративне навчання стане ключем до прозорого, справедливого та поважного до користувачів майбутнього штучного інтелекту, де штучний інтелект насправді навчатиметься «разом» з вами, а не «знатиме забагато» про вас.
Джерело: https://tuoitre.vn/cong-nghe-moi-giup-ai-hoc-cung-chu-khong-soi-du-lieu-nguoi-dung-20251008164916799.htm
Коментар (0)