As questões de privacidade estão a tornar-se cada vez mais populares à medida que as grandes empresas integram a IA nos seus sistemas. Os sistemas inteligentes são benéficos para instituições financeiras, instalações de saúde e empresas imobiliárias, mas estas empresas não podem dar-se ao luxo de apostar com as informações sensíveis em que se baseiam.
Devido a tais problemas, muitos estão a mudar para uma alternativa, que permite que a IA aceda aos dados sem os alterar.
Uma das formas através das quais isto está a acontecer é a Aprendizagem Federada. É uma nova técnica de treino que permite à IA utilizar mais do que uma fonte de dados sem ter de os transferir para um local específico ou alterá-los.
Em vez de enviar os dados para um computador central, os algoritmos são enviados para onde os dados estão, mantidos localmente, e apenas o que descobriram é partilhado. Isto garante tanto que os dados estão seguros como que o modelo melhora.
Utilizando a Aprendizagem Federada em Fluxos de Trabalho no Mundo Real
A Aprendizagem Federada já está a ser utilizada para introduzir inovação em várias áreas. Mais do que boas ideias, é preciso escalar a Aprendizagem Federada de forma segura e eficaz. É porque dados importantes relacionados com indústrias importantes estão em vigor.
É aqui que estruturas como o Flower podem ser úteis. O Flower foi treinado para colaborar com a IA no mundo real, e marcas como a Mozilla, o MIT, a Samsung e a Nvidia confiam nele.
Com esta ferramenta, as equipas podem treinar modelos autónomos sem perder o controlo, a segurança e a liberdade.
Para tornar este campo ainda melhor, a equipa Flower lançou recentemente um programa de teste de três meses. Uma das empresas a juntar-se a este programa é a T-RIZE. São uma organização canadiana que aplica blockchain e IA para criar ferramentas de aprendizagem automática, que são seguras e verificáveis.
O Papel da T-RIZE no Programa Piloto Flower
Ao fazer este piloto, a T-RIZE está a criar um modelo industrializado de modelos de transformadores de treino em dados tabulares, em particular, o que é de grande importância para as organizações que lidam com relatórios financeiros, candidaturas de inquilinos ou quaisquer outros dados baseados em registos.
Planeiam fundir a aprendizagem federada Flower com uma biblioteca de código aberto chamada Rizemind que foi desenvolvida pela T-RIZE. Rizemind é uma extensão da aprendizagem federada tradicional que inclui capacidades como a utilização de blockchains como um meio de rastreabilidade e a utilização de tokens como incentivo/tokenização, e a geração de contratos inteligentes.
Será de código aberto e estará disponível publicamente, e terá a sua documentação, imagens Docker e acesso ao seu repositório GitHub, bem como listas de verificação operacionais para facilitar a sua implementação por equipas técnicas com o mínimo de fricção. Não é meramente orientado para a privacidade, mas é orientado para a clareza, reprodutibilidade e facilidade de utilização.
Uma unidade de conta é utilizada em todo o processo, e essa é o token $RIZE. Impulsiona o crédito de computação, armazena os resultados do treino na blockchain Rizenet e auxilia nas reivindicações transparentes de recompensa aos participantes. Este nível económico introduz uma experiência totalmente nova de estrutura e responsabilidade de trabalhar com IA.
Preparando-se para um Futuro de Inteligência Segura e Partilhada
A utilização de IA por empresas na classificação de risco, modelação preditiva e compreensão dos seus clientes está a aumentar e, consequentemente, a necessidade de ter processos fiáveis e verificáveis aumentará.
O trabalho da T-RIZE no Programa Piloto Flower faz parte de um plano maior que inclui a implementação de computação focada na privacidade (MPC), provas de conhecimento zero e redes de validadores autónomos para ajudar na escalabilidade.
A forma como o estão a fazer está a colmatar a lacuna dos projetos de IA empresariais que normalmente não podem ser lançados devido à falta de confiança no processo de treino.
As empresas que lidam com informações de aluguer, registos pessoais ou mesmo uma quantidade considerável de processos relacionados com a conformidade podem encontrar um lugar frutífero para começar com este plano. Não é apenas proporcional em termos de segurança, mas também facilita a facilidade de transformar a ideia num lançamento.
Considerações Finais
Uma mudança maior na abordagem à IA por parte das empresas está a levar à popularidade da Aprendizagem Federada em toda a indústria. O sucesso não é uma variável suficiente; lida com privacidade, responsabilidade e trabalho de equipa.
À medida que se torna mais fácil imaginar uma IA segura e escalável, mais grupos criarão sistemas de aprendizagem distribuídos baseados em tokens.