人々はしばしばAI（人工知能）を助けたと非難します ビッグブラザー 私たちのプライバシーを侵害し、それは間違いなく 大量侵入兵器、しかしそれはまたいくつかの良いことをすることができます。

免責事項

AIは、コンピューターとマシンを使用して、人間の精神の問題解決機能と意思決定機能を模倣することで構成されていると考える人もいます。

オンラインでの顧客とのコミュニケーションやゲームのプレイなど、さまざまなタスクで人間の入力を置き換える方法だと考える人もいます。

機械学習（ML）とAIを混同する人もいますが、MLはAIの一部にすぎません。

このトピックにはさまざまな見方があり、AIのビジョンと定義が同じでない場合、建設的で有益な議論を行うことは困難です。

この投稿では、MLのサブフィールドのみを検討しましょう。 連携学習.

モバイルキーボードの危険性

携帯電話はプライバシーに最適なデバイスではありません（その婉曲表現は好きですか？^^）。

デフォルトでは、 あなたの場所を公開する およびその他の重要な情報。

大量のデフォルト設定のチェックを外す必要があり、場合によってはAndroidとiOSのカスタムROMを使用してトラッカーを取り除く必要があります。

ただし、モバイルキーボードはおそらく最悪です。 AndroidとiOSの両方で、さまざまな機能を備えたサードパーティのソリューションをインストールすることで、キーボードをカスタマイズできます。

あなたはすでにそれを知っているに違いありませんが、ほとんどのサードパーティのキーボードがそれらのデータをインターネット経由で送信することを知っていますか？

キーボードは、プライベートな会話、パスワード、クレジットカード番号など、入力したすべてのものにアクセスできます。

一部のサードパーティアプリケーションでは、正しく実行するために機密情報へのアクセスなど、途方もなく大量のアクセス許可が必要です。

より良いテキスト予測と自動修正を提供するために、一部の開発者（もちろんすべてではありません）はこのアクセスを悪用し、他のデータと同様に機密データを処理します。

その結果、これらのデータが盗まれることがあり、受け入れられません。

プライバシーが向上すると、多くの場合、機能が少なくなります

大したことではないと主張する人もいます。 何も危険にさらしたくない場合は、いくつかの機能をオフにして落ち着いてください。

その議論にはXNUMXつの主な問題があります。

1. すべてのサードパーティ製キーボードが、どの機能がクラウドでの処理を必要とし、どの機能を安全に使用できるかについて明確であるとは限りません。
2. プライバシーを最小限に抑えるには、優れた機能を失う必要があります。

それはこのパラドックスを与えます：グーグルとマイクロソフトのデフォルトのキーボードはいくつかのサードパーティのアプリケーションより信頼できます。

それが私たちにできる最善のことですか？ デフォルトのキーボードを維持する必要がありますか？
答えは「はい」ですが、いくつかのアプローチがこの問題の解決に役立つ可能性があります。

救助のための連合学習

Federated Learningを使用すると、携帯電話はすべてのトレーニングデータをデバイスに保持しながら、共有予測モデルを共同で学習できます。これにより、機械学習を実行する機能と、データをクラウドに保存する必要性が切り離されます。

出典：Google AIブログ– Federated Learning

プログラムは、重要な情報を含むあらゆる種類のデータをどこにでも送信する代わりに、学習した内容を要約し、推奨される変更をモデルに送信します。

すべての個人データは電話に残ります。 統合学習には技術的な課題がないわけではありませんが、ユーザーの観点からはプライバシーの面ではるかに優れているように見えます。

このようにして、企業はユーザーのデータを交換することなく、複数のローカルデータセットを使用できます。 標準のMLモデルとは異なり、XNUMX台のサーバーにデータを一元化する必要はありません。

ハブは必要ありません。
ユーザーが入力または話したことを送信する必要はありません。

どうすれば機能しますか？

連合学習には、MLとまったく同じ原則があります。 アイデアは、アルゴリズムをトレーニングすることです。

MLは、いわゆる人工ニューラルネットワーク（ANN）を使用します。 大まかに言えば、それらは生物学的ニューロンが互いに通信する方法を模倣する構造です。 （出典：IBM Cloud Learn Hub)

「ニューロン」の代わりに「ノード」という用語がよく見られます。 連合学習には、ノードが情報を交換することが含まれますが、明示的なデータは含まれません。 次に、ゲームはすべてのローカルモデルを使用してグローバルモデルを作成することで構成されます。

包む

何百万ものユーザーのデータを損なうことなく機械学習を使用する方法があります。

フェデレーテッドラーニングなどの代替アプローチは、データのプライバシーとセキュリティに大きな可能性を秘めています、IMHO。

による写真 ジェイソンデント on Unsplash.

以前に公開された https://blog.julien-maury.dev/en/can-ml-protect-privacy/.

PlatoAi。 Web3の再考。 増幅されたデータインテリジェンス。

アクセスするには、ここをクリックしてください。

ソース：https：//hackernoon.com/federating-learning-privacy-aware-machine-learning-t4433564？source = rss