Federativno učenje je pristop k učenju, pri katerem se model UI uči na številnih napravah ali lokacijah, ne da bi surovi podatki kdaj zapustili naprave ali lokacije. Vsak udeleženec uči lokalno in osrednjemu strežniku pošlje le posodobitve modela, ta pa jih združi. To varuje zasebnost in je primerno na primer za bolnišnice, ki želijo skupaj izboljšati diagnostični model, ali tipkovnice pametnih telefonov, ki se učijo predlogov besed.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPredpisi o varstvu podatkov so pravna pravila o ravnanju z osebnimi podatki. V EU je ključni okvir Splošna uredba o varstvu podatkov (GDPR); med drugim zahteva pravno podlago za vsako obdelavo, najmanjši obseg podatkov, preglednost do posameznikov, na katere se podatki nanašajo, in pogodbe o obdelavi osebnih podatkov z ponudniki storitev. Pri uporabi UI morajo organizacije razjasniti, kateri podatki pristanejo v vnosih, virih znanja in dnevnikih ter kje se obdelujejo.
Podatki za učenje so primeri, iz katerih se model UI uči vzorcev: velike zbirke besedil za jezikovne modele, označene slike za slikovne modele. Njihova kakovost, raznolikost in aktualnost v veliki meri določajo, kako zanesljiv in pošten je model ter kako sodobno je njegovo znanje. Za organizacije je pomembno tudi, ali ponudnik vnesene podatke strank uporablja za nadaljnje učenje.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
Sintetični podatki so ustvarjeni umetno in ne zbrani v resničnem svetu, vendar posnemajo vzorce in lastnosti resničnih podatkov. Pomagajo, kadar so pravi podatki redki, dragi ali občutljivi z vidika varstva podatkov – na primer za testiranje programske opreme, učenje modelov ali preverjanje klepetalnega robota z realističnimi vzorčnimi poizvedbami. Pomembno je, da dovolj natančno odražajo resničnost in ne omogočajo sklepanja o resničnih osebah.
