Uczenie federacyjne to podejście do trenowania, w którym model AI uczy się na wielu urządzeniach lub w wielu lokalizacjach, a surowe dane nigdy ich nie opuszczają. Każdy uczestnik trenuje lokalnie i wysyła tylko aktualizacje modelu do centralnego serwera, który je łączy. Chroni to prywatność i sprawdza się na przykład w szpitalach, które chcą wspólnie ulepszać model diagnostyczny, lub w klawiaturach smartfonów, które uczą się podpowiadania słów.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoPrzepisy o ochronie danych to normy prawne regulujące postępowanie z danymi osobowymi. W UE kluczowym aktem jest ogólne rozporządzenie o ochronie danych (RODO); wymaga ono między innymi podstawy prawnej dla każdej czynności przetwarzania, minimalizacji danych, przejrzystości wobec osób, których dane dotyczą, oraz umów powierzenia przetwarzania z dostawcami usług. Korzystając z AI, organizacje muszą wyjaśnić, jakie dane trafiają do danych wejściowych, źródeł wiedzy i logów oraz gdzie są przetwarzane.
Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery wyprowadzają wzorce z danych, zamiast mieć jawnie zaprogramowaną każdą regułę. W zależności od zadania modele uczą się na oznaczonych przykładach (nadzorowane), na danych nieoznaczonych (nienadzorowane) lub przez nagrody (ze wzmocnieniem). Zastosowania sięgają od filtrów spamu i prognoz popytu po rekomendacje produktów. Jakość silnie zależy od ilości i jakości danych treningowych.
Dane syntetyczne są generowane sztucznie, a nie zbierane w świecie rzeczywistym, ale odwzorowują wzorce i właściwości danych rzeczywistych. Pomagają, gdy prawdziwych danych jest mało, są drogie lub wrażliwe z punktu widzenia ochrony danych – na przykład przy testowaniu oprogramowania, trenowaniu modeli lub sprawdzaniu chatbota na realistycznych przykładowych zapytaniach. Ważne, aby wystarczająco wiernie odzwierciedlały rzeczywistość i nie pozwalały wnioskować o prawdziwych osobach.
