Federacinis mokymasis – tai mokymo metodas, kai DI modelis mokosi daugelyje įrenginių ar vietų, o neapdoroti duomenys niekada jų nepalieka. Kiekvienas dalyvis apmoko modelį vietoje ir centriniam serveriui, kuris juos sujungia, siunčia tik modelio atnaujinimus. Tai saugo privatumą ir tinka, pavyzdžiui, ligoninėms, norinčioms kartu tobulinti diagnostikos modelį, ar išmaniųjų telefonų klaviatūroms, mokančioms žodžių pasiūlymų.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąDuomenų apsaugos reglamentavimas – tai teisės normos, nustatančios, kaip elgtis su asmens duomenimis. ES pagrindinis teisės aktas yra Bendrasis duomenų apsaugos reglamentas (BDAR); jis, be kita ko, reikalauja teisinio pagrindo kiekvienam tvarkymo veiksmui, duomenų kiekio mažinimo, skaidrumo duomenų subjektų atžvilgiu ir duomenų tvarkymo sutarčių su paslaugų teikėjais. Naudodamos DI, organizacijos turi išsiaiškinti, kokie duomenys patenka į užklausas, žinių šaltinius ir žurnalus bei kur jie tvarkomi.
Mokymo duomenys – pavyzdžiai, iš kurių DI modelis mokosi dėsningumų: dideli tekstų rinkiniai kalbos modeliams, pažymėti vaizdai vaizdų modeliams. Jų kokybė, įvairovė ir naujumas daugiausia lemia, kaip patikimas ir teisingas bus modelis ir kokios šviežios bus jo žinios. Organizacijoms taip pat svarbu, ar tiekėjas jų įvestus klientų duomenis naudoja tolesniam mokymui.
Mašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.
Sintetiniai duomenys generuojami dirbtinai, o ne renkami realiame pasaulyje, tačiau imituoja tikrų duomenų dėsningumus ir savybes. Jie padeda, kai tikrų duomenų trūksta, jie brangūs arba jautrūs duomenų apsaugos požiūriu – pavyzdžiui, testuojant programinę įrangą, mokant modelius ar tikrinant pokalbių robotą su tikroviškais pavyzdinių užklausų rinkiniais. Svarbu, kad jie pakankamai tiksliai atspindėtų tikrovę ir neleistų daryti išvadų apie realius asmenis.
