Elindult az adatvédelmet megőrző AI modell-képzési platform

Az összevont tanulás egy olyan gépi tanulási technika, amely algoritmusokat tanít be több, helyi adatokat tartalmazó decentralizált kiszolgálón anélkül, hogy szándékosan vagy akaratlanul megosztaná ezeket az adatokat. Ez lehetővé teszi az AI-modellek képzését a személyes adatok megosztása nélkül és segíthet a modellek és az algoritmus-előrejelzések pontosságának javításában, a jogszabályi megfelelés biztosításában és a szén-dioxid-kibocsátás csökkentésében.

A platform emellett, akár 99%-kal csökkenti a csomópontok közötti kommunikációt és mögöttes technológiái közé tartozik a titkosítás, a biztonságos többoldalú számítás, a differenciális adatvédelem, a vak tanulás és a nulla tudásalap bizonyítás. A Sherpa megállapodást írt alá a Nemzeti Egészségügyi Intézettel (NIH), a KPMG és a Telefónica vállalatokkal és az NIH már használja a platformot a betegségek diagnosztizálására és kezelésére szolgáló algoritmusok fejlesztésére.

Az összevont tanulás előnyei nem csak az egészségügyre és a pénzügyekre korlátozódnak, a technológia más iparágakban is használható. Az IBM kutatói szerint az ügyfeleik pénzügyi adatainak összesítése lehetővé teheti a bankok számára, hogy pontosabb ügyfélhitel-mutatókat állítsanak elő, vagy hogy felderítsék a csalásokat, a gépjármű-biztosítási kárigények összevonása segíthet a közúti és a járművezetői biztonság javításában, a műholdképek összegyűjtése jobb előrejelzéseket eredményezhet az éghajlat és a tengerszint emelkedésével kapcsolatban, az internetre csatlakoztatott eszközök milliárdjainak helyi adatai pedig olyan dolgokat árulhatnak el nekünk, amelyekre eddig nem gondoltunk volna.