Федеративното обучение е подход за обучение, при който ИИ модел се учи върху много устройства или локации, без суровите данни някога да ги напускат. Всеки участник обучава локално и изпраща само актуализации на модела към централен сървър, който ги обединява. Това защитава поверителността и е подходящо например за болници, които искат заедно да подобрят диагностичен модел, или за клавиатури на смартфони, които се учат да предлагат думи.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоНормативната уредба за защита на данните са правните разпоредби за работа с лични данни. В ЕС ключова рамка е Общият регламент относно защитата на данните (ОРЗД); той изисква, наред с другото, правно основание за всяка дейност по обработване, свеждане на данните до минимум, прозрачност към субектите на данни и договори за обработване на данни с доставчиците на услуги. При използване на ИИ организациите трябва да изяснят какви данни попадат във входните данни, източниците на знания и дневниците и къде се обработват.
Данните за обучение са примерите, от които моделът с ИИ научава закономерности: големи текстови колекции за езиковите модели, изображения с етикети за моделите за изображения. Качеството, разнообразието и актуалността им до голяма степен определят колко надежден и справедлив е моделът и колко актуални ще са знанията му. За организациите е важно и дали доставчикът използва въведените от клиентите данни за по-нататъшно обучение.
Машинното обучение е дял от изкуствения интелект, при който компютрите извеждат закономерности от данни, вместо всяко правило да бъде изрично програмирано. В зависимост от задачата моделите се учат от анотирани примери (с надзор), от неанотирани данни (без надзор) или чрез награди (с подкрепление). Приложенията вариират от спам филтри и прогнози за търсенето до препоръки за продукти. Качеството зависи силно от количеството и качеството на обучителните данни.
Синтетичните данни се генерират изкуствено, а не се събират в реалния свят, но имитират закономерностите и свойствата на реалните данни. Те помагат, когато истинските данни са оскъдни, скъпи или чувствителни от гледна точка на защитата на данните – например за тестване на софтуер, обучение на модели или проверка на чатбот с реалистични примерни запитвания. Важно е те да отразяват достатъчно близо действителността и да не позволяват изводи за реални хора.
