به گزارش ارزینجا و به نقل از Coinpedia، داده‌ها بخش جدایی‌ناپذیری از صنایعی مانند سلامت، املاک و بانکداری هستند. از آن‌جا که این صنایع حساس هستند، حفاظت از اطلاعات آن‌ها نیز اهمیت بالایی دارد. همچنین، اشتراک‌گذاری اطلاعاتی مانند قراردادهای اجاره و سوابق پزشکی خطرناک است. اگر داده‌ها نشت کنند، ممکن است منجر به مشکلات امنیتی، شکایات قضایی و سایر مسائل مرتبط با اعتماد شود. در همین حال، هوش مصنوعی (AI) تکامل یافته است و اکنون روش‌های جدیدی وجود دارد که به کمک آن‌ها هوش مصنوعی می‌تواند به داده‌ها دسترسی داشته باشد، بدون آن‌که آن‌ها را تغییر دهد.
ظهور یادگیری هوش مصنوعی فدرال
هوش مصنوعی پیشرفت کرده و اکنون راه‌های نوینی برای دسترسی آن به داده‌ها بدون تغییر آن‌ها وجود دارد. این ایده جدید، مفهوم یادگیری فدرال است؛ یعنی آموزش مدل هوش مصنوعی بر روی داده‌های غیرمتمرکز. هر شرکت‌کننده، داده‌های خود را به‌صورت محلی نگه می‌دارد؛ بااین‌حال، هوش مصنوعی همچنان از آن‌ها یاد می‌گیرد. این روش قبلاً در سازمان‌های بزرگ، بیمارستان‌هایی که دستگاه‌های تشخیص را بهینه‌سازی می‌کنند و بانک‌هایی که سیستم‌های شناسایی تقلب را بهبود می‌دهند، استفاده شده است. اما مقیاس‌پذیر کردن یادگیری فدرال با قابلیت راستی‌آزمایی، حفظ حریم خصوصی و کارایی آسان نیست.
در این‌جا اکوسیستم‌های جدیدی مانند Flower وارد میدان می‌شوند. Flower یک اکوسیستم متن‌باز (Open Source) فدرال برای هوش مصنوعی است. گفتنی است که غول‌های بین‌المللی مانند انویدیا، MIT و موزیلا قبلاً به توانایی آن برای ارائه یادگیری حفظ‌کننده حریم خصوصی در محیط‌های عملیاتی ابراز اطمینان کرده‌اند.
چهارچوب‌هایی برای آینده: جایی که هوش مصنوعی با بلاک چین تلاقی می‌کند
در این حوزه، پیشرفت بیشتری به لطف یک همکاری جدید رخ داده است. T-RIZE و Flower در حال همکاری بر روی یک پروژه سه‌ماهه هستند تا یک طرح واقعی و قابل‌اجراء برای هوش مصنوعی ارائه دهند که حریم خصوصی را حفظ کند. این، نکته‌ای است که اهمیت آن را نشان می‌دهد. در همین حال، T-RIZE در زمینه توسعه فناوری AI ایمن فعالیت می‌کند که بر بستر بلاک چین اجراء می‌شود. علاوه بر این، در بسته Rizemind، یادگیری مشارکتی با ویژگی‌هایی مانند دسترسی محدود، مدیریت ایمن داده و همکاری مبتنی بر توکن ترکیب شده است. آن‌ها با شرکت در برنامه آزمایشی Flower قصد دارند نشان دهند که این دو لایه، هوش مصنوعی فدرال و بلاک چین، چگونه می‌توانند به‌صورت یکپارچه کار کنند.
هدف‌گذاری بر مدل‌های تحول‌گرا و داده‌های جدولی
در ادامه، هدف آن است که به مؤسسات کمک کنند تا مدل‌های ترنسفورمر (همان نوعی که در هوش مصنوعی مدرن استفاده می‌شود) را بر روی داده‌های جدولی مانند صفحات گسترده، گزارش‌ها یا فرم‌های اجاره تنظیم کنند، بدون آن‌که حریم خصوصی را نقض کرده یا مشکلات قانونی ایجاد کنند. این نقشه راه که در پایان برنامه در دسترس خواهد بود، شامل همه چیز از جمله مراحل گام‌به‌گام و کدهای متن‌باز برای کانتینرهای داکر و داشبوردهایی برای پیگیری آموزش مدل خواهد بود.
همچنین، نشان خواهد داد که چگونه می‌توان از یک بلاک چین، یعنی زنجیره Rizenet، برای پیگیری نتایج آموزش و مدیریت هماهنگی با استفاده از توکن RIZE استفاده کرد. برای مؤسسات نیز این به معنای اعتماد بیشتر به نتایج مدل، حسابرسی آسان‌تر و چهارچوبی برای همکاری ایمن میان واحدهای مختلف یا حتی شرکت‌ها است.
چرا این موضوع اکنون اهمیت دارد
هوش مصنوعی با سرعت بالایی در حال پیشرفت است، اما مقررات با سرعتی حتی بیشتر در حال توسعه هستند. دولت‌ها و شرکت‌ها پرسش‌های سخت‌تری درباره مسیر جریان داده، افراد دارای دسترسی به آن و نحوه تصمیم‌گیری‌ها مطرح می‌کنند. سیستمی که از داده‌ها محافظت کند، شواهدی از رعایت مقررات ارائه دهد و همچنان خروجی تولید کند، دیگر یک گزینه نیست؛ بلکه یک الزام است. به همین دلیل است که اقدامات ابتکاری مانند Flower و T-RIZE اهمیت دارند. آن‌ها فقط ابزار ارائه نمی‌دهند، بلکه در حال پایه‌گذاری استانداردها هستند. با رشد روزافزون یادگیری فدرال، طراحی‌هایی مانند این می‌توانند به همه کمک کنند؛ از استارتاپ‌ها گرفته تا تیم‌های سازمانی، تا هوش مصنوعی ایمن را سریع‌تر و با مسائل قانونی کمتر پیاده‌سازی کنند.
افزون بر این، با هماهنگی میان هزینه و پردازش با سیستم‌هایی مانند توکن RIZE، این الگو دارای اقتصاد ذاتی می‌شود. آموزش‌دهندگان پاداش می‌گیرند. جریان‌های کاری قابل ردیابی می‌شوند. و شرکت‌ها هر بار که بخواهند بر روی داده‌های حساس آموزش دهند، نیازی به بازطراحی فرآیندها از ابتدا ندارند.
آینده هوش مصنوعی فدرال و پیوند با بلاک چین
با رشد یادگیری فدرال، ترکیب آن با بلاک چین می‌تواند خود را به‌عنوان استاندارد جدید AI سازمانی تثبیت کند. Rizemind در حال حاضر با استفاده از فناوری‌هایی مانند اثبات با دانش صفر (Zero Knowledge Proof)، پردازش چندجانبه و قابلیت‌های پیشرفته حفظ حریم خصوصی طراحی می‌شود. چنین پیشرفت‌های مبتنی بر فناوری برای کسب‌وکارهایی که با داده‌های مشمول مقررات، سروکار دارند، ضروری هستند.
