This post is also available in:
English (אנגלית)
התקדמות חדשה בלמידה פדרטיבית (Federated Learning) מבטיחה שיפור בביצועי הבינה המלאכותית בתחומים רגישים כמו בריאות וכספים, תוך שמירה על פרטיות הנתונים. למידה פדרטיבית מאפשרת למספר מוסדות לאמן יחד מודלים של בינה מלאכותית מבלי להחליף נתונים אישיים גולמיים. עם זאת, קיימת בעיה מוכרת כאשר כל ארגון מכוונן את המודל המשותף על פי הנתונים המקומיים שלו; המודל עלול להפוך למותאם יתר על המידה (overfitting) לנושא ולפגוע ביכולתו הכללית לעבוד היטב עם סוגי נתונים מגוונים. בעיה זו ידועה כ"התאמה מקומית מופרזת".
חוקרים מהמכון הקוריאני למדע וטכנולוגיה מתקדמת (KAIST) פיתחו טכניקה שמטפלת בבעיה זו על ידי הוספת נתונים סינתטיים בשלב הכיוונון. הנתונים הסינתטיים נוצרים על ידי חילוץ תכונות עיקריות ולא אישיות מתוך מערכי הנתונים של כל מוסד, ויוצרים נקודות נתונים וירטואליות המסייעות לבינה המלאכותית לשמור על ידע מכל השותפים, תוך התאמה לצרכים המקומיים.
הגישה עובדת על ידי שילוב הנתונים המקומיים עם “נתונים סינתטיים גלובליים”, אשר מייצגים מידע מהארגונים האחרים, ובכך משמשת כמנגנון הגנה שמונע מהבינה המלאכותית לשכוח דפוסים שנלמדו בעבר. השיטה שומרת על איזון בין מומחיות מקומית לבין יכולת הכללה רחבה, ומאפשרת לבינה המלאכותית להישאר גמישה גם כאשר היא מותאמת למשימות ספציפיות.
על פי דיווח של TechXplore, ניסויים הראו כי הפתרון משפר את יציבות הדיוק של הבינה המלאכותית בסביבות שבהן פרטיות היא קריטית, כגון בתי חולים ובנקים. הוא מתפקד היטב גם בתחומים משתנים במהירות כמו רשתות חברתיות ומסחר אלקטרוני, בהם משתמשים ומוצרים חדשים נכנסים למערכת באופן שוטף. המערכת הפגינה עמידות לשינויים, כולל הוספת מוסדות חדשים לרשת הפדרטיבית.
חידוש זה מהווה צעד משמעותי לקראת פיתוח בינה מלאכותית שיתופית ובטוחה ללא פגיעה בפרטיות או בביצועיה. הוא מבטיח במיוחד בתחומים שבהם שיתוף נתונים רגישים הינו מוגבל, אך נדרשת שיתוף פעולה לבניית פתרונות בינה מלאכותית יעילים, כגון סביבות רפואיות וגילוי הונאות כלכליים.
הממצאים פורסמו בשרת הפרה-פרינט arXiv.
