نئی ٹیکنالوجی AI کو صارف کے ڈیٹا کو 'دیکھنے' کے بجائے 'اس کے ساتھ سیکھنے' میں مدد کرتی ہے۔

فیڈریٹڈ لرننگ AI کو صارفین کے آلات پر براہ راست سیکھنے کے قابل بناتی ہے، ذاتی ڈیٹا کو جمع یا ذخیرہ کیے بغیر ہر روز بہتر ہوتا جا رہا ہے۔

صارف کا ڈیٹا شیئر کیے بغیر AI کو تربیت دینے کا ایک طریقہ ابھی بھی موجود ہے۔

ڈیجیٹل دور میں، ذاتی ڈیٹا AI کی ترقی کے لیے "ایندھن" ہے۔ لیکن وہاں سے، ایک تضاد نمودار ہوتا ہے: جتنا زیادہ AI انسانوں کو سمجھتا ہے، ہم "اسکروٹنائزیشن" کے لیے اتنے ہی زیادہ کمزور ہوتے ہیں۔

معلومات کے لیک ہونے، حد سے زیادہ ذاتی تشہیر، اور ڈیٹا اکٹھا کرنے کے غیر شفاف طریقوں نے صارفین کو پلیٹ فارمز پر اپنا ڈیٹا "حوالے" کرنے سے زیادہ محتاط کر دیا ہے۔

اس تناظر میں، ٹیکنالوجی کمیونٹی نے نجی ڈیٹا اکٹھا کیے بغیر AI کے لیے سیکھنے کا راستہ تلاش کرنا شروع کیا، اور وہ ہے فیڈریٹڈ لرننگ۔

AI ڈیٹا دیکھے بغیر کیسے سیکھتا ہے۔

روایتی تربیتی ماڈل کے برعکس، تمام ڈیٹا جیسے پیغامات، تصاویر، یا استعمال کی عادات کو AI سیکھنے کے لیے سرور کو بھیجا جانا چاہیے۔ یہ بہت سے لوگوں کو پریشان کرتا ہے کیونکہ ذاتی ڈیٹا اکٹھا یا لیک کیا جا سکتا ہے۔

فیڈریٹیڈ لرننگ کے ساتھ، عمل الٹ جاتا ہے: سیکھنا بالکل آپ کے آلے پر ہوتا ہے، جیسے آپ کا فون۔ AI صرف "مشاہدہ" کرتا ہے کہ آپ سرور کو اصل ڈیٹا بھیجے بغیر، اپنے سیکھنے کے تجربے کو اپنی طرف متوجہ کرنے کے لیے ایپ کو کس طرح ٹائپ یا استعمال کرتے ہیں۔

اس کے بعد فون سنتھیسز کے لیے سنٹرل سسٹم کو صرف سیکھے گئے نتائج کا خلاصہ (نمبر یا ریاضی کے فارمولوں کی شکل میں) بھیجتا ہے۔

اس کا تصور کریں: لاکھوں فونز "کام کی اسائنمنٹس" کے بجائے "سیکھنے کے تجربات" کا اشتراک کر رہے ہیں۔ AI بہتر ہوتا جا رہا ہے، لیکن آپ کا نجی ڈیٹا آپ کے فون سے کبھی نہیں نکلتا۔

2017 میں، Google نے Federated Learning to Gboard، ڈیفالٹ Android کی بورڈ متعارف کرایا، تاکہ ایپ یہ سیکھ سکے کہ آپ کیسے ٹائپ کرتے ہیں، اپنے اگلے لفظ کی پیشین گوئی کرتے ہیں، اور ہجے کی غلطیوں کو اپنے سرورز کو واپس بھیجے بغیر درست کر سکتے ہیں۔

وہیں نہیں رکے، فیڈریٹڈ لرننگ طبی میدان میں بھی بڑی صلاحیتوں کو کھولتی ہے۔ مریضوں کا ڈیٹا اکٹھا کرنے کے بجائے، جو کہ HIPAA (USA) یا GDPR (یورپ) جیسے سخت ضوابط سے محدود ہے، ہسپتال حقیقی ریکارڈ کا اشتراک کیے بغیر تشخیصی ماڈلز کو ایک ساتھ تربیت دے سکتے ہیں۔

NVIDIA کی طرف سے شروع کردہ EXAM (2020) پروجیکٹ ایک اہم مثال ہے: 20 سے زیادہ عالمی اسپتالوں نے مشترکہ طور پر کسی بھی ذاتی ڈیٹا کے تبادلے کے بغیر COVID-19 کے مریضوں کے حالات کی پیش گوئی کرنے کے لیے ایک نظام کو تربیت دی۔

نہ صرف Google، بلکہ Apple (Siri اور QuickType کی بورڈ میں لاگو کیا جاتا ہے)، Meta (FLUTE ٹیسٹنگ پلیٹ فارم کے ساتھ)، WeBank یا Ant Group جیسے مالیاتی اداروں کے ساتھ، اور Stanford، MIT جیسی کئی سرکردہ یونیورسٹیاں بھی Federated Learning پر تحقیق کر رہی ہیں یا تعینات کر رہی ہیں۔ توقع ہے کہ یہ ٹیکنالوجی AI سسٹمز کے لیے نیا معیار بن جائے گی جو صارفین کی رازداری کا احترام کرتی ہے۔

منصفانہ اور شفاف AI کی کلید

متنوع کنفیگریشنز، غیر مستحکم کنکشنز، اور بیٹری کی محدود صلاحیت کے ساتھ لاکھوں آلات پر تربیت سیکھنے کی رفتار اور درستگی کے لحاظ سے بہت سے چیلنجز پیدا کرتی ہے۔ اس کے علاوہ، ریورس ماڈل حملوں کا خطرہ بھی ڈویلپرز کو مجبور کرتا ہے کہ وہ فیڈریٹیڈ لرننگ کو دیگر سیکیورٹی ٹیکنالوجیز جیسے ہومومورفک انکرپشن یا ڈیفرینشل پرائیویسی کے ساتھ جوڑ دیں۔

AI آپ کو جاننے میں بہتر ہو رہا ہے، لیکن فیڈریٹیڈ لرننگ ٹیکنالوجی کے ساتھ ہمارے تعامل کے طریقے کو تبدیل کرنے کی امید پیش کرتی ہے۔ AI غیر فعال طور پر ڈیٹا اکٹھا کرنے کے بجائے، AI اب آپ کے آلے پر اصل ذاتی ڈیٹا تک رسائی کی ضرورت کے بغیر سیکھتا ہے۔

اس سے نہ صرف رازداری کی حفاظت ہوتی ہے بلکہ انسانوں اور AI کے درمیان ایک نئی شراکت داری بھی بنتی ہے جہاں AI آپ کی رازداری پر حملہ کرنے کے بجائے آپ کے ساتھ ہوتا ہے اور سیکھتا ہے۔

دنیا بھر میں، بہت سی کمپنیاں اور محققین اس مقصد کو حاصل کر رہے ہیں۔ توقع کی جاتی ہے کہ فیڈریٹیڈ لرننگ ایک شفاف، منصفانہ اور صارف کا احترام کرنے والے AI مستقبل کی کلید بن جائے گی جہاں AI درحقیقت آپ کے بارے میں "بہت زیادہ جاننے" کے بجائے "آپ کے ساتھ" سیکھتا ہے۔

واپس موضوع پر

سنگل انٹیلی جنس

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