Federated learning is een trainingsaanpak waarbij een AI-model leert over veel apparaten of locaties heen zonder dat de ruwe data die ooit verlaat. Elke deelnemer traint lokaal en stuurt alleen modelupdates naar een centrale server, die ze combineert. Dit beschermt de privacy en is geschikt voor bijvoorbeeld ziekenhuizen die samen een diagnosemodel willen verbeteren, of voor toetsenborden van smartphones die woordsuggesties leren.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenRegelgeving voor gegevensbescherming bestaat uit wettelijke regels voor de omgang met persoonsgegevens. In de EU is de Algemene verordening gegevensbescherming (AVG) het belangrijkste kader; die vereist onder meer een rechtsgrond voor elke verwerking, minimale gegevensverwerking, transparantie jegens betrokkenen en verwerkersovereenkomsten met dienstverleners. Bij het gebruik van AI moeten organisaties duidelijk maken welke gegevens in invoer, kennisbronnen en logboeken terechtkomen en waar ze worden verwerkt.
Trainingsgegevens zijn de voorbeelden waaruit een AI-model patronen leert: grote tekstverzamelingen voor taalmodellen, gelabelde afbeeldingen voor beeldmodellen. Hun kwaliteit, diversiteit en actualiteit bepalen grotendeels hoe betrouwbaar en eerlijk een model is en hoe actueel zijn kennis zal zijn. Voor organisaties is ook van belang of een aanbieder de klantgegevens die zij invoeren voor verdere training gebruikt.
Machine learning is een tak van de kunstmatige intelligentie waarin computers patronen uit data afleiden in plaats van dat elke regel expliciet wordt geprogrammeerd. Afhankelijk van de taak leren modellen van gelabelde voorbeelden (gesuperviseerd), van ongelabelde data (ongesuperviseerd) of via beloningen (reinforcement). Toepassingen variëren van spamfilters en vraagvoorspellingen tot productaanbevelingen. De kwaliteit hangt sterk af van de hoeveelheid en kwaliteit van de trainingsdata.
Synthetische gegevens worden kunstmatig gegenereerd in plaats van in de echte wereld verzameld, maar bootsen de patronen en eigenschappen van echte gegevens na. Ze helpen wanneer echte gegevens schaars, duur of uit het oogpunt van gegevensbescherming gevoelig zijn – bijvoorbeeld om software te testen, modellen te trainen of een chatbot te controleren met realistische voorbeeldvragen. Het is belangrijk dat ze de werkelijkheid dicht genoeg benaderen en geen conclusies over echte personen toelaten.
