Federoitu oppiminen on koulutustapa, jossa tekoälymalli oppii useilla laitteilla tai toimipisteillä ilman, että raakadata koskaan poistuu niistä. Jokainen osallistuja kouluttaa mallia paikallisesti ja lähettää keskuspalvelimelle vain mallipäivityksiä, jotka palvelin yhdistää. Tämä suojaa yksityisyyttä ja sopii esimerkiksi sairaaloille, jotka haluavat parantaa diagnostiikkamallia yhdessä, tai älypuhelimien näppäimistöille, jotka oppivat sanaehdotuksia.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoTietosuojasäännökset ovat oikeussääntöjä, jotka ohjaavat henkilötietojen käsittelyä. EU:ssa keskeinen kehys on yleinen tietosuoja-asetus (GDPR); se edellyttää muun muassa oikeusperustetta jokaiselle käsittelylle, tietojen minimointia, läpinäkyvyyttä rekisteröityjä kohtaan ja henkilötietojen käsittelysopimuksia palveluntarjoajien kanssa. Tekoälyä käytettäessä organisaatioiden on selvitettävä, mitä tietoja päätyy syötteisiin, tietolähteisiin ja lokeihin ja missä niitä käsitellään.
Opetusdata ovat esimerkkejä, joista tekoälymalli oppii säännönmukaisuuksia: suuria tekstikokoelmia kielimalleille, luokiteltuja kuvia kuvamalleille. Niiden laatu, monipuolisuus ja ajantasaisuus määräävät pitkälti, kuinka luotettava ja oikeudenmukainen malli on ja kuinka ajan tasalla sen tietämys on. Organisaatioille on myös tärkeää, käyttääkö tarjoaja syöttämiään asiakastietoja jatko-opetukseen.
Koneoppiminen on tekoälyn haara, jossa tietokoneet johtavat kuvioita datasta sen sijaan, että jokainen sääntö ohjelmoitaisiin erikseen. Tehtävästä riippuen mallit oppivat merkityistä esimerkeistä (ohjattu oppiminen), merkitsemättömästä datasta (ohjaamaton oppiminen) tai palkkioiden kautta (vahvistusoppiminen). Sovelluksia ovat roskapostisuodattimista ja kysyntäennusteista tuotesuosituksiin. Laatu riippuu vahvasti koulutusdatan määrästä ja laadusta.
Synteettinen data tuotetaan keinotekoisesti eikä kerätä todellisessa maailmassa, mutta se jäljittelee oikean datan säännönmukaisuuksia ja ominaisuuksia. Se auttaa, kun aitoa dataa on vähän, se on kallista tai tietosuojan kannalta arkaluonteista – esimerkiksi ohjelmiston testaamisessa, mallien opettamisessa tai chatbotin tarkistamisessa realistisilla esimerkkikyselyillä. On tärkeää, että se heijastaa todellisuutta riittävän tarkasti eikä mahdollista johtopäätöksiä oikeista henkilöistä.
