مفتاح التعلم الموحد لتأمين الذكاء الاصطناعي

يحتوي كهف Altxerri في Aia ، إسبانيا ، على لوحات كهفية يقدر عمرها بحوالي 39000 عام. بعض من أقدم الرسومات المعروفة في الوجود ، تصور هذه الرسوم البيسون ، الرنة ، الثور ، الظباء والحيوانات والشخصيات الأخرى.

هذا ما يسميه تشابي أوريبي-إتكسباريا أحد الأشكال الأولى من “تخزين البيانات”.

لكن من الواضح أننا قطعنا شوطًا طويلاً من رسومات الكهوف. تسارع جمع البيانات على مدى آلاف السنين ؛ في العقد الماضي فقط ، نما جمعها وتخزينها بوتيرة لم يسبق لها مثيل – حيث تعرضوا لهجمات عليها.

على هذا النحو ، “خصوصيتنا في خطر” ، قالت Uribe-Etxebarria. “لذا ، يجب أن نتخذ إجراءً.”

تقوم شركة Sherpa التابعة لـ Uribe-Etxebarria بفعل ذلك من خلال التعلم الموحد ، وهو أسلوب التعلم الآلي (ML) الذي يقوم بتدريب الخوارزميات عبر خوادم لامركزية متعددة تحتوي على بيانات محلية – ولكن دون مشاركة هذه البيانات عن قصد أو عن غير قصد.

أعلنت الشركة اليوم عن إطلاق منصة تدريب نموذج “الحفاظ على الخصوصية” للذكاء الاصطناعي (AI).

قال Uribe-Etxebarria ، المؤسس والرئيس التنفيذي ، إن الشركة تعتبر خصوصية البيانات “قيمة أخلاقية أساسية” ، وأن نظامها الأساسي “يمكن أن يكون علامة فارقة في كيفية استخدام البيانات بطريقة خاصة وآمنة للذكاء الاصطناعي.”

الخصوصية تعيق التقدم

تتطلب تقنيات ML القياسية تركيز بيانات التدريب على جهاز واحد أو في مركز بيانات. على النقيض من ذلك ، فإن التعلم الفيدرالي – الذي صاغته Google وقدمته في عام 2016 – يسمح للمستخدمين بمشاركة البيانات عن بُعد لتدريب نموذج التعلم العميق.

يمكن لكل مستخدم تنزيل النموذج من مركز بيانات في السحابة ، وتدريبه على بياناته الخاصة ، وتلخيص تكوينه الجديد وتشفيره. ثم يتم إرسالها مرة أخرى إلى السحابة ، ويتم فك تشفيرها ، وتحويلها إلى متوسط ​​، ودمجها في النموذج المركزي.

أوضح باحثو IBM: “التكرار بعد التكرار ، يستمر التدريب التعاوني حتى يتم تدريب النموذج بالكامل”.

ومع ذلك ، فإن التحدي يكمن في أن التنبؤات المفيدة والدقيقة تتطلب ثروة من بيانات التدريب – والعديد من المنظمات ، وخاصة تلك الموجودة في الصناعات الخاضعة للتنظيم ، مترددة في مشاركة البيانات الحساسة التي يمكن أن تطور نماذج الذكاء الاصطناعي والتعلم الآلي.

مشاركة البيانات دون كشفها

هذه هي المشكلة التي يسعى شيربا إلى معالجتها. وفقًا لـ Uribe-Etxebarria ، تتيح منصتها تدريب نموذج الذكاء الاصطناعي دون مشاركة البيانات الخاصة. وقال إن هذا يمكن أن يساعد في تحسين دقة النماذج وتنبؤات الخوارزميات ، وضمان الامتثال التنظيمي – ويمكن أن يساعد أيضًا في تقليل البصمة الكربونية.

أشار Uribe-Etxebarria إلى أن إحدى المشكلات الرئيسية في الذكاء الاصطناعي هي الكمية الكبيرة من الطاقة التي يستخدمها بسبب الكميات الكبيرة من الحسابات اللازمة لبناء وتدريب نماذج دقيقة. أشارت الأبحاث إلى أن التعلم الموحد يمكن أن يقلل من استهلاك الطاقة في التدريب النموذجي بنسبة تصل إلى 70٪.

تدعي Sherpa أن نظامها الأساسي يقلل من الاتصال بين العقد بنسبة تصل إلى 99٪. تشمل التقنيات الأساسية الخاصة به التشفير متماثل الشكل ، والحساب الآمن متعدد الأطراف ، والخصوصية التفاضلية ، والتعلم الأعمى ، وإثبات المعرفة الصفرية.

وقعت الشركة – التي يضم فريقها كارستن بونيمان من المعاهد الوطنية للصحة في وزارة الصحة والخدمات الإنسانية الأمريكية وتوم غروبر ، الرئيس التنفيذي السابق للتكنولوجيا ومؤسس Siri – اتفاقيات مع المعاهد الوطنية للصحة و KPMG و Telefónica. قالت Uribe-Etxebarria إن المعاهد الوطنية للصحة تستخدم بالفعل المنصة للمساعدة في تحسين الخوارزميات لتشخيص الأمراض وعلاجها.

حالات استخدام كثيرة للتعلم الفيدرالي

قال باحثو IBM إن تجميع السجلات المالية للعملاء يمكن أن يسمح للبنوك بتوليد درجات ائتمانية أكثر دقة للعملاء أو الكشف عن الاحتيال. يمكن أن يساعد تجميع مطالبات التأمين على السيارات في تحسين سلامة الطريق والسائق ؛ يمكن أن يؤدي جمع صور الأقمار الصناعية معًا إلى تنبؤات أفضل حول ارتفاع مستوى سطح البحر والمناخ.

وكتب الباحثون أن “البيانات المحلية من مليارات الأجهزة المتصلة بالإنترنت يمكن أن تخبرنا بأشياء لم نفكر بعد في طرحها”.

أكد Uribe-Etxebarria على أهمية التعلم الموحد في البحث العلمي: يمكن الاستفادة من الذكاء الاصطناعي للمساعدة في اكتشاف الأنماط أو المؤشرات الحيوية التي لا تستطيع العين البشرية رؤيتها. يمكن للخوارزميات الاستفادة بأمان من البيانات السرية – مثل الأشعة السينية والسجلات الطبية واختبارات الدم والجلوكوز وتخطيط القلب ومراقبة ضغط الدم – للتعلم والتنبؤ في النهاية.

قال توماس كاليل ، المدير السابق لسياسة العلوم والتكنولوجيا في البيت الأبيض ، وهو الآن كبير مستشاري شركة شيربا لشؤون التعاون.

ومع ذلك ، أشار إلى أننا “لن نكون قادرين على إدراك إمكانات غسل الأموال ما لم نتمكن أيضًا من حماية خصوصية الأشخاص ومنع نوع انتهاكات البيانات التي تسمح للمجرمين بالوصول إلى مليارات سجلات البيانات”.

ووافق أوريبي-إتكسباريا على ذلك قائلاً: “هذه ليست سوى بداية رحلة طويلة ، ولا يزال أمامنا الكثير من العمل”.