Pembelajaran bersekutu: Bolehkah kaedah pembelajaran mesin ini akhirnya mengekalkan privasi data?

• Pengarang
• Nama pengarang

  Quantumrun Foresight
• Jun 5, 2023

Algoritma pembelajaran mesin (ML) memerlukan sejumlah besar data untuk meningkatkan ketepatan dan prestasinya. Lebih besar set data, lebih banyak maklumat yang perlu dipelajari oleh algoritma, dan lebih baik ia boleh digeneralisasikan. Walau bagaimanapun, pendekatan konvensional untuk memindahkan data pengguna sensitif ke pelayan pusat untuk pemprosesan boleh menimbulkan risiko keselamatan dan mengakibatkan prestasi perlahan dan penggunaan tenaga yang tinggi.

Konteks pembelajaran bersekutu

Pembelajaran bersekutu ialah paradigma baharu untuk ML yang mengubah cara data diproses dan dianalisis. Dengan mengedarkan proses pembelajaran merentas berbilang peranti, pembelajaran bersekutu membolehkan organisasi melatih model menggunakan data yang sudah ada pada peranti edge, seperti telefon pintar, komputer riba dan peranti Internet of Things (IoT). Pendekatan ini boleh membawa kepada privasi data yang lebih baik, kependaman rangkaian yang dikurangkan dan penggunaan sumber yang lebih cekap.

Memandangkan data sensitif kekal pada peranti tepi, tidak perlu menghantarnya ke awan atau pelayan berpusat. Amalan ini mengurangkan risiko pelanggaran data, serangan siber dan ancaman keselamatan lain. Sebaliknya, algoritma hanya menghantar hasil latihan ke awan awam atau rangkaian kongsi, melindungi kerahasiaan data dan membenarkan organisasi mematuhi peraturan privasi.

Pembelajaran bersekutu juga berpotensi untuk meningkatkan kelajuan dan kecekapan algoritma. Memandangkan latihan berlaku pada peranti edge, model boleh belajar daripada data tersuai dalam masa nyata, yang membawa kepada kemas kini yang lebih pantas dan pengagregatan maklumat. Pendekatan ini berguna untuk aplikasi di mana data dijana secara berterusan, seperti dalam persekitaran IoT. Organisasi boleh memproses data ini dengan lebih cepat dan tepat, membolehkan mereka membuat keputusan yang lebih termaklum dan tepat pada masanya.

Kesan yang mengganggu

Industri yang mengendalikan data sensitif dan dikawal dengan ketat, seperti penjagaan kesihatan dan kewangan, mungkin akan menerima pakai pembelajaran bersekutu kerana tiada pihak ketiga, malah pembangun model, boleh mengakses data pada peranti yang dilindungi. Manfaat lain untuk perniagaan yang menggunakan pembelajaran bersekutu ialah ia membolehkan ML yang lebih cekap, mengurangkan masa pemprosesan dan tenaga yang diperlukan untuk melatih model. Tambahan pula, kaedah ini boleh beroperasi pada peranti dengan kuasa pemprosesan terhad, seperti telefon pintar terdahulu dan model boleh pakai.

Pemperibadian hiper ialah satu lagi faedah jenis ML ini, menghasilkan pengesyoran, hasil carian dan pembantu maya yang lebih tepat. Dengan melatih model pada data tempatan, model belajar daripada set data yang lebih pelbagai dan hasil latihan boleh menangkap nuansa setiap gelagat pengguna dengan lebih baik. Oleh itu, model boleh membuat ramalan yang lebih tepat berdasarkan keutamaan unik, menghasilkan pengalaman yang lebih disesuaikan. Ciri ini sangat bermanfaat merentas industri, daripada e-dagang kepada penjagaan kesihatan kepada hiburan.

Akhir sekali, ML bersekutu boleh membantu mengurangkan kos menyelenggara dan menaik taraf pusat data berpusat yang besar. Dengan menggunakan sumber yang diagihkan, syarikat boleh mengurangkan bilangan infrastruktur yang perlu mereka simpan. Selain itu, pembelajaran bersekutu boleh membantu mendemokrasikan AI/ML, menjadikannya lebih mudah diakses oleh organisasi yang lebih kecil atau mereka yang mempunyai sumber terhad. Perniagaan boleh memanfaatkan pengetahuan kolektif banyak peranti dan bukannya bergantung pada sumber entiti tunggal.

Permohonan untuk pembelajaran bersekutu

Beberapa aplikasi untuk pembelajaran bersekutu mungkin termasuk:

• Industri pembuatan (terutamanya pengeluar telefon pintar) boleh menjalankan penyelenggaraan ramalan yang lebih baik melalui laporan masa nyata daripada pengguna global.
• Pembelajaran bersekutu membolehkan hospital dan penyelidik perubatan bekerjasama dalam analisis data perubatan berskala besar tanpa menjejaskan privasi pesakit, yang membawa kepada diagnosis yang lebih baik, rawatan yang diperibadikan dan hasil yang lebih baik.
• Kenderaan autonomi mampu membuat keputusan yang lebih baik berdasarkan data daripada pelbagai sumber. Ciri ini boleh meningkatkan keselamatan jalan raya, mengurangkan kesesakan lalu lintas dan meningkatkan mobiliti.
• Pengesanan penipuan, pengurusan risiko dan analisis pelaburan yang lebih baik tanpa mendedahkan data sensitif. 
• Alat pembelajaran yang diperibadikan untuk pelajar yang menyesuaikan diri dengan keperluan dan gaya pembelajaran individu mereka. 
• Penggunaan tenaga yang dioptimumkan dan mengurangkan pelepasan karbon.
• Hasil tanaman dipertingkatkan, kurang sisa makanan dan keselamatan makanan yang lebih baik, menangani kekurangan makanan global dan menggalakkan amalan pertanian mampan.
• Proses pengeluaran yang dioptimumkan dan kualiti produk yang lebih baik. 
• Pembuatan keputusan dan pembangunan dasar yang lebih baik yang menggalakkan ketelusan, akauntabiliti dan penyertaan rakyat dalam tadbir urus.
• Latihan tenaga kerja yang lebih baik, pengurusan prestasi dan pengekalan pekerja. 
• Penyederhanaan kandungan yang lebih baik dan langkah-langkah untuk memerangi gangguan dalam talian tanpa menjejaskan privasi pengguna. 

Soalan yang perlu dipertimbangkan

• Adakah anda fikir pembelajaran bersekutu adalah langkah penting ke arah privasi data?
• Bagaimana lagi pada pendapat anda pembelajaran bersekutu akan mengubah cara kita berinteraksi dengan bot?