Federativno učenje pristup je treniranju u kojem UI model uči na mnogo uređaja ili lokacija, a da neobrađeni podaci nikada ne napuštaju te uređaje ili lokacije. Svaki sudionik trenira lokalno i središnjem poslužitelju šalje samo ažuriranja modela, koji ih objedinjuje. Time se štiti privatnost, a pristup je prikladan, primjerice, za bolnice koje zajedno žele poboljšati dijagnostički model ili za tipkovnice pametnih telefona koje uče prijedloge riječi.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoPropisi o zaštiti podataka pravna su pravila o postupanju s osobnim podacima. U EU-u ključni okvir je Opća uredba o zaštiti podataka (GDPR); ona, među ostalim, zahtijeva pravnu osnovu za svaku obradu, smanjenje količine podataka, transparentnost prema ispitanicima i ugovore o obradi podataka s pružateljima usluga. Pri korištenju UI-ja organizacije moraju razjasniti koji podaci dospijevaju u unose, izvore znanja i zapisnike te gdje se obrađuju.
Podaci za učenje su primjeri iz kojih UI model uči uzorke: velike zbirke tekstova za jezične modele, označene slike za modele slika. Njihova kvaliteta, raznolikost i aktualnost uvelike određuju koliko će model biti pouzdan i pošten te koliko će njegovo znanje biti ažurno. Organizacijama je važno i koristi li pružatelj podatke klijenata koje unesu za daljnje treniranje.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
Sintetički podaci generiraju se umjetno, a ne prikupljaju u stvarnom svijetu, ali oponašaju uzorke i svojstva stvarnih podataka. Pomažu kada su pravi podaci rijetki, skupi ili osjetljivi s gledišta zaštite podataka – primjerice za testiranje softvera, treniranje modela ili provjeru chatbota realističnim primjerima upita. Važno je da dovoljno vjerno odražavaju stvarnost i da ne omogućuju zaključivanje o stvarnim osobama.
