IJCAI Başkanı Yang Qiang: Federal öğrenmenin en son gelişimi ve uygulaması
"Homomorfik şifreleme" nin atılımı, federe öğrenmeyi "gizlilik koruması + küçük veri" nin ikili sorununu çözmek için güçlü bir araç haline getirir.
AI Technology Review Press: 12 Temmuz - 14 Temmuz 2019 tarihleri arasında 4. Küresel Yapay Zeka ve Robotlar Zirvesi (CCF-GAIR 2019) resmen Shenzhen'de düzenlendi. Zirveye Çin Bilgisayar Federasyonu (CCF) ev sahipliği yaptı, Lei Feng.com, Çin Hong Kong Üniversitesi (Shenzhen) ev sahipliği yaptı ve Shenzhen Yapay Zeka ve Robotik Enstitüsü tarafından ortaklaşa düzenlendi. hükümet Yerli yapay zeka alanında güçlü bir sınır ötesi değişim ve işbirliği platformu oluşturmayı amaçlayan, yerli yapay zeka ve robotik, endüstri ve yatırım olmak üzere üç ana alanda üst düzey bir değişim fuarıdır.
13 Temmuz, Hong Kong Bilim ve Teknoloji Üniversitesi Başkanı Profesör, WeBank Baş Yapay Zeka Sorumlusu, IJCAI Konseyi Başkan Yang Qiang, CCF-GAIR 2019 "Yapay Zeka Finans Oturumu" için "Federal Öğrenmenin Son Gelişimi ve Uygulaması" başlıklı bir konferans raporu verdi. Aşağıda Profesör Yang Qiang tarafından verilen konferans raporunun tam metni yer almaktadır.
Herkese merhaba, bugün sizlerle federe öğrenmenin en son gelişmelerini ve uygulamalarını paylaşmaktan onur duyuyorum.
Yapay zeka robotları finansmana yardımcı oluyor
Öncelikle WeBank'ın son iki yıldaki çabalarına ve başarılarına bakalım.
WeBank'ın amacı, küçük ve mikro işletmelerin büyümesine yardımcı olmak için güçlü AI yetenekleri oluşturmaktır. Bunu yapmak için, yapay zekanın yenilik yapmak için kullanılabileceği senaryoları keşfetmek için her bir finans bağlantısını ayrıştırabilirsiniz:
Örneğin, yapay zeka iş danışmanlığına (kurumsal portreler) yardımcı olmak için kullanılabilir.Şirketler kredi ve hesap numaraları için başvurduğunda, tüzel kişi kimlik doğrulaması ve bireysel başvuru hesap kimliği doğrulaması dahil kimliklerini doğrulayabilir ve veri incelemesine ek olarak, AI da verebilir Aynı zamanda işletme kredisini de içerir ve tüm süreç kredinin öncesinde, sonunda ve sonrasında otomatikleştirilebilir.
Spesifik ürün durumları aşağıdaki gibidir:
Bunlardan biri, sesli müşteri hizmetleri robotudur. Akıllı hoparlörler gibi bu ürünlerin birçoğunu duyduk. Sesli müşteri hizmetleri robotları artık dikey alanda çok bölümlere ayrılmış durumda. Şu anda WeBank'ın müşteri sorularının% 98'i akıllı müşteri hizmetleri robotları tarafından 7 × 24 saat cevaplanıyor ve kullanıcı memnuniyeti oldukça yüksek. Bu neden yapılabilir? Çünkü en son yapay zeka teknolojisini bünyesinde barındırıyor.
Herkes, diyalog sistemindeki zor bir sorunun, birden fazla soru-cevap turunun nasıl yürütüleceği olduğunu bilir.
Örnek olarak konuşmacıların sesli etkileşimini ele alalım.Genel olarak, bir şifre görevi her gerçekleştirildiğinde, kullanıcının bir uyandırma kelimesi söylemesi gerektiğini ve sonra size cevap vereceğini biliyoruz. Bir sonraki soruya gelince, aynı uyandırma kelimesini söylemeli ve tekrar sormalısınız. Birden fazla soru ve cevap turu, uyandığınız sürece birden fazla soru ve yanıtın yürütülebileceği anlamına gelir.
Bu teknolojinin uygulanmasında birçok zorluk vardır: örneğin, her cümlenin amacını ve tüm konuşma dizisinin amacını anlamak. Ek olarak, duyarlılık analizi de gereklidir.Örneğin, bazı senaryolarda müşterinin sabırsızlığını veya memnuniyetsizliğini ayırt etmek ve ayrıca müşterinin ilgi alanlarını analiz etmek gerekir.Makine, yalnızca bu ince sinyalleri ayırt ederek yüksek kaliteli çok yönlü diyalog efektleri elde edebilir. Ek olarak, çok iş parçacıklı analiz de gereklidir.Örneğin, kullanıcının son cümlesi ile sonraki cümlenin farklı niyetleri vardır ve önsöz takip etmez ve makinenin bu mantığı ayrıştırması gerekir.
Genel olarak bu alanda hala yapılması gereken çok iş var. Görüşümüze göre, diyalog sistemi için en iyi iniş senaryosu: yüz milyonlarca kullanıcısı olan dikey bir alan.
İkincisi, risk kontrol diyalog robotudur. Diyalog robotları, diğer tarafın dolandırıcılık yapıp yapmadığını belirlemek için müşterilerle diyalog sürecinde bazı ipuçları bulmak gibi risk kontrolü de gerçekleştirebilir. Tıpkı bir kişiyle röportaj yaptığımızda veya bir borçluyla iletişim kurduğumuzda olduğu gibi, diğer tarafın hile yapmasını önlemek için her zaman ve her yerde tetikte olmalıyız.
Başka bir araba sigortası raporu örneğini ele alalım: Bir araba kazasında kim sorumludur? Muhabirin cevabı tutarsız olabilir ve robot, bu ayrıntıları tanıyarak yalan makinesi tespitini gerçekleştirebilir.
Üçüncüsü, kalite kontrol robotudur. Finans alanında özel olan, müşteri hizmetleri ile müşteri arasındaki diyalog sırasında ve sonrasında diyaloğun kalitesinin her seferinde test edilmesidir. Geçmişte her konuşma kaydediliyordu, yüzlerce kayıt vardı ve bunları tek tek geçmenin bir yolu yoktu. Bu nedenle, artık müşteri hizmetleri diyaloğunun kalitesinin iyi olmadığını bulmak için kendi geliştirdiğimiz ses tanıma ve niyet tanıma yöntemlerini kullanıyoruz ve otomatik kalite denetimleri gerçekleştiriyoruz. .
(Weizhong AI: Kalite Kontrol Robotu)
Yukarıdaki resim kalite kontrol sürecidir. Diyaloğun anlaşılmasına yardımcı olmak için dikkat mekanizması altında derin öğrenmeyi kullanıyoruz. Kalite denetimi, kullanıcılar tarafından kredi verildiğinde müşteri hizmetlerinin yapması gereken iyileştirmeleri bulmaya yardımcı olabilir.Örneğin, bazı kişiler çok riskli kişilere veya sahnelere yatırım yapmak için kredi kullanmamalıdır. Bazen müşteri hizmetleri de güler yüzlü bir tutum sergilemelidir. Kalite denetim robotu bir robot bulursa Müşteri hizmetleri kötü bir tutum sergiliyorsa sizi otomatik olarak uyaracaktır.
Yukarıdakilerin hepsi WeBank tarafından hizmet robotlarında yapılan işlerdir.
Küçük veri ve gizlilik korumasının ikili zorluğu
Yapay zekanın küçük ve mikro işletmelerde, kredilerde, internet bankacılığında vb. Birçok uygulamaya sahip olduğunu görmek zor değil. Bununla birlikte, bu uygulamalar birçok zorlukla da karşılaşır, bu nedenle bazı yeni algoritmalar icat etmemiz gerekir. Başlıca zorluklar nelerdir? Genel olarak konuşursak, üç nokta vardır:
Birincisi, "öğrenmeyi kışkırtmanın" zorluğu. Yani yapay zeka uygulamaları için, örneğin yüz tanıma sahte olabilir ve yüz sentezlenebilir. Finansal senaryoda yapay zeka güvenliği alanında "rakip öğrenme" zorluğunun üstesinden nasıl gelineceği önemli bir sorundur.
İkincisi, küçük verilerin zorluğu. İyi modeller olmadan iyi otomasyon elde edilemez.İyi modeller genellikle iyi büyük veri gerektirir, ancak genellikle yüksek kaliteli, etiketli veriler küçük verilerdir.
Üç yıllık veri toplama varsayıldığında, büyük veri oluşturulabilir mi? Durum böyle değildir, çünkü veriler değişmektedir ve her aşamaya ait veriler, önceki aşamanın verilerinden farklı bir dağılıma sahiptir ve farklı özelliklere sahip olabilir. İyi eğitim verileri oluşturmak için bu verileri gerçek zamanlı olarak etiketlemek çok fazla insan gücü gerektirir.
Bu sadece finans sahnesinde değil, aynı zamanda hukuk sahnesinde, özellikle tıp sahnesinde de geçerlidir. Her hastanenin veri seti sınırlıdır.Bu veriler açılamazsa, her veri seti yalnızca basit bir model olarak kullanılabilir ve insan doktorların gerektirdiği yüksek kaliteli hastalık tanıma sağlayamaz.
Ancak, verileri birleştirmek gittikçe zorlaşıyor. Facebook'un hisse senedi fiyatının bir gün önce uçurumdan düştüğünü gördük, bunun başlıca nedeni, kendisiyle bir ABD şirketi arasındaki veri paylaşımının ABD seçimlerini etkilediğine dair haberler olmasıydı.
Bu tür şeyler sadece sermaye piyasasında titreşimlere neden olmadı, aynı zamanda hukuk mesleği de büyük hamleler yapmaya başladı.Avrupa, geçen yıl Mayıs ayında çok katı bir veri gizliliği koruma yasası olan GDPR'yi önerdi. GDPR'nin yapay zeka makinelerinin kullanımı, verilerin kullanımı ve veri haklarının onaylanması için çok katı gereksinimleri vardır, böylece Google, her seferinde on milyonlarca avro tutarında birçok kez para cezasına çarptırılır.
GDPR'nin hükümlerinden biri, veri kullanımının kullanıcı tarafından imzalanan sözleşmeden sapamayacağıdır.Belki de kullanıcının büyük veri analizi ürün kullanım deneyimini iyileştirmek için kullanılabilir, ancak şirket verileri diyalog sistemini eğitmek için kullanırsa sözleşmeyi ihlal eder. Şirket verileri başka şeyler için kullanmak istiyorsa veya verileri başkalarıyla paylaşmak istiyorsa, öncül kullanıcının izni olmalıdır.
Unutma hakkı da dahil olmak üzere bazı katı gereksinimler de vardır; bu, bir kullanıcının verilerinin modelinizde bir gün kullanılmasını istememesi durumunda, şirkete kullanıcının verilerini modelden kaldırmaktan sorumlu olduğunu söyleme hakkına sahip olduğu anlamına gelir. çıkar onu. Bu gereklilik yalnızca Avrupa'da değil, Kaliforniya'da da geçerlidir, Amerika Birleşik Devletleri çok katı benzer veri koruma yasaları uygulamıştır.
Çin ayrıca veri gizliliği ve koruması konusunda çok ayrıntılı bir çalışma yürütmüştür. 2009'dan 2019'a kadar bir dizi eylem gerçekleştirildi ve giderek daha katı hale geldi.Uzun süreli tartışmalardan ve halkla etkileşimden sonra, bu yılın sonu ile gelecek yılın başı arasında bir dizi formalite olabilir. Yasa getirildi.
(Yurtiçi veri denetimi hukuk sistemi üzerine araştırma)
Bu nedenle, ikilemle karşı karşıya kalacağız: bir yandan verilerimizin çoğu küçük verilerdir, diğer yandan verilerin birleşmesi gizlilik düzenlemelerini ihlal eder. Yasal kısıtlamalara ek olarak, çıkarlara dayalı şirketler diğer şirketlerle veri alışverişinde bulunma konusunda isteksizdir. Bu fenomen altında birçok insan çok hayal kırıklığına uğrar, çok hüzünlü hisseder ve yapay zeka kışının yeniden gelebileceğini hisseder.
Ama biz öyle düşünmüyoruz. Zorluğun bir fırsat, bir fırsat olduğunu düşünüyoruz Bu fırsat, bu verileri düzenlemelere sıkı sıkıya uyma öncülü altında modelleme için bir araya getirebilecek yeni bir teknoloji icat etmemizi gerekli kılıyor. Görünüşte çelişkili görünen bu şey, yalnızca gizliliği korumak ve veri alışverişi yapmakla kalmayıp, aynı zamanda modeller oluşturmak için büyük verileri nasıl kullanabilir? Bu, Federe Öğrenmenin avantajıdır.
Federal öğrenme: yatay, dikey, göç
Önce popüler bir analojiye bakalım: Her birimizin beyninde veri var. İki kişi birlikte ödev yaptığında veya kitap yazdığında, iki beyni fiziksel olarak birleştirmiyor, iki kişi için kullanıyoruz. Dil değişimi. Yani bir kitap yazdığımızda, bir kişi bir bölüm yazar ve sonunda ortak makale veya yazı dil değişimi yoluyla yazılır.
Parametreleri iletiyoruz Parametreleri iletme sürecinde beyinlerimizin mahremiyetini korumanın bir yolu var mı? Bunun bir yolu var, bu yol, farklı kurumların şifrelenmiş parametreleri birbirlerine aktararak paylaşılan bir model oluşturmalarına izin vermektir.Veri yerel olarak dışa aktarılamaz.Bu, federe öğrenmenin özüdür.
"Federal öğrenme" ilk olarak 2016 yılında Google tarafından önerildi, ancak daha çok bir 2C uygulamasıdır. O zamanlar Google özellikle Android sistemi konusunda endişeliydi. 2016'da yeni nesil Android sisteminin GDPR'yi karşılayacak ve kullanıcı gizliliğini koruyacak şekilde yapılıp yapılamayacağını merak ediyordu.
Android telefonlarda, yazarken olduğu gibi çeşitli modeller vardır. Önermek Bir sonraki kelimede, bir fotoğraf çektiğinizde size bir etiket ve sınıflandırma sorulacak.Bunlar model odaklı olup, bu modellerin sürekli güncellenmesi gerekmektedir.
Geçmişte güncelleme yapmanın en kolay yolu, her cep telefonundaki verileri düzenli olarak buluta yüklemek ve bulutta büyük bir model oluşturmaktı çünkü herkesin verisi sınırlı ve on milyonlarca cep telefonunun verisi yüklendiğinde bu mümkün olacak. Büyük veri ile büyük bir model oluşturabilir ve ardından modeli her cep telefonuna yaptıktan sonra indirebilir, böylece bir cep telefonu güncellemesi tamamlanmış olur.
Ancak şimdi bu yaklaşım yasa dışıdır, çünkü cep telefonu kullanıcısı verileri yükler ve sunucu, kullanıcının verilerini görür.
Şu anda, federe öğrenmenin avantajları ortaya çıkıyor. Basit bir tanımla, federe öğrenme, yerel olarak bir yerel veri modeli oluşturmak ve ardından bu modelin anahtar parametrelerini şifrelemektir.Bu tür bir veri şifreleme, buluta iletilir ve şifresini çözmenin bir yolu yoktur, çünkü aldığı şey şifrelenmiş bir veri paketidir. Mevcut modeli güncellemek için on milyonlarca paketi bir algoritma ile bir araya getirin ve ardından güncellenmiş modeli indirin. Önemli olan, Sunucu Bulutunun tüm süreç boyunca her paketin içeriğini bilmemesidir.
(Homomorfik şifrelemeye dayalı Model Ortalaması)
Kulağa zor geliyor. Önceden gerçekten zor, ama son zamanlarda harika bir şey oldu, yani şifreleme algoritması, şifreleme katmanı boyunca işlemler gerçekleştirebilir. Bu şifreleme yöntemine "homomorfik şifreleme" denir. Hesaplama verimliliği son zamanlarda büyük ölçüde iyileştirildi, bu nedenle federe öğrenme, küçük veri ve veri adalarının sorunlarını çözerken aynı zamanda gizlilik sorunlarını çözebilen bir silah haline geldi. Bununla birlikte, bunun yalnızca 2C'nin bir örneği olduğu, bulutun büyük bir kullanıcı grubuna dönük olduğu unutulmamalıdır.
Bu teknoloji nispeten yenidir. Çince'ye çevrildiğinde, onu ilk önce "federal öğrenime" çevirdik. "Ortak öğrenme, ittifak öğrenimi, işbirliğine dayalı öğrenme" gibi diğer çevirileri duyabilirsiniz. Dinleme nedeniyle federal öğrenmenin çeviri yöntemini benimsemeye karar verdik Daha dikkat çekici ve bir kez hatırlanabilecek, bu yüzden umarım herkes gelecekte federasyon araştırması arayacaktır.
Artık bilim yeni bir alana girdiğine göre, sosyal sorunları çözmek için birden fazla disiplinin entegrasyonunu içermelidir.Federal öğrenme iyi bir örnektir.
Her şeyden önce, gizliliği korumak için şifreleme ve şifre çözmenin güvenlik yöntemlerini anlamalıyız. 1970'lerden beri bilgisayar alanında, araştırma yönetmeni "Yao's Confusion Circuit" ile Turing Ödülünü kazanan tanıdık Profesör Yao Qizhi ve farklı mahremiyet dahil olmak üzere birçok araştırma yapıldı.
Bu kadar çok şifreleme yöntemi ne işe yarar? Aşağıdaki formül:
Polinom şifrelemesini her bir şifrelenmiş polinom, A + B'nin şifrelemesi ve A'nın şifrelemesi artı B'nin şifrelemesine ayrıştırabilir. Bu çok büyük bir katkıdır. Çünkü bu, bir algoritma almamızı ve dışarıdaki tüm algoritmaları şifrelememizi sağlar ve bir şifreleme katmanı içerideki her birime nüfuz edebilir. Bunu başarmak, makine öğreniminin mevcut ders kitaplarını değiştirebilir ve herhangi bir algoritmayı bir şifreleme algoritmasına dönüştürebilir.
Şu anda bu konu bitmiş değil. Hoş geldiniz doktora öğrencileri ve yüksek lisans öğrencileri bir makine öğrenimi kitabı satın almak ve bir algoritmayı şifreli bir algoritmaya dönüştürmeye çalışıyorlar.
(Yatay Birleşik Öğrenme)
Az önce bahsettiğim şey "yatay birleşik öğrenme" idi Yatay birleşik öğrenme, her satırda bir kullanıcı olarak kabul edilebilecek verilerdir. Kullanıcılara göre yatay öğrenme olarak adlandırılan bir, iki veya üç cep telefonu olarak kabul edilebilir. Diğer bir neden de, cep telefonu modeli, cep telefonu kullanım süresi, bataryası, insanların bulunduğu yer gibi dikey yöndeki özelliklerin hepsi olmasıdır. Özellikleri aynı ve örnekleri farklı, bu yatay birleşik öğrenmedir.
Ana yöntem, önce kredi notunu almak ve daha sonra bunu şifreli bir durumda toplamaktır.Bu toplama basit bir ekleme değil, çok karmaşık bir ekleme ve ardından kredi modelini dağıtmaktır.
5G'nin gelişini dört gözle bekliyoruz ve hızı artırıyoruz. 5G, federal öğrenme için harika bir şey. Henüz 5G yok, bu yüzden herkes çeşitli ağların tasarımı, temeldeki ağın tasarımı hakkında düşünüyor ve hatta bazı insanlar ağın tasarımını ve iletişimini hızlandırmak için federe bir öğrenme çipi tasarlıyor. Bunlar, araştırmacıların ilgilendiği araştırma yönergeleridir.
(Dikey Birleşik Öğrenme)
Dikey federal şifrelemede herkesin özellikleri farklıdır. Bir kurum kırmızı, diğer kurum mavidir. İki hastaneyi hayal edebilirsiniz. Bir hasta kırmızı hastanede bazı testler ve mavi hastanede diğer testleri yapar. İkisini bildiğimizde Bir hastane aynı hasta grubuna sahipse ve onlar doğrudan veri alışverişi yapmaya istekli değilse, birlikte modellemenin bir yolu var mı?
Aralarında bir departman duvarı var. Her iki tarafta da derin bir öğrenme modeli oluşturabiliriz. Modellemede anahtar adım gradyan inişidir. Gradyan inişi için birkaç parametre bilmemiz gerekir. Son parametre ve Kayıp (gradyanlar) turu eşleşmek için kullanılır Bir modelin ağırlık parametresi. Bu süreçte tüm modellerin parametre seviyelerini elde etmemiz gerekiyor. Şu anda değiş tokuş yapmamız gerekiyor. Değişim homomorfik şifreleme algoritmaları veya güvenli çok taraflı hesaplama ile yapılabilir.İki tarafın şifreleme parametrelerini değiş tokuş ettiği ve diğer tarafın değişimi gerçekleştirdiği bir dizi algoritma vardır. Sistemin üzerine yazılıncaya kadar güncelleyin, parametreleri tekrar değiştirin.
(Federe Transfer Öğrenimi)
Az önce söylediğim gibi, ya özellik olarak aynı ya da farklı özellikler ama bazı kullanıcılarının kesişimleri var.Kullanıcıların ve özelliklerin kesişimleri olmadığında bir adım geri çekilip bulundukları alanı düşünebiliriz. Boyutluluğu azaltın veya boyutsallığı artırın ve onları başka bir alana getirin.
Başka bir alanda, alt uzaylarının etkileşimli olduğunu ve bu alt uzayların etkileşiminin aktarım öğrenimi için kullanılabileceğini görebilirsiniz. Doğrudan özelliklere ve kullanıcı örtüşmesine sahip olmasalar da, federe aktarım öğrenimi olarak adlandırılan aktarım öğrenimi için ortak noktalar bulabiliriz.
Üç federe öğrenme vakası
(Birleşik öğrenmeye dayalı kurumsal risk kontrol modeli)
WeBank ve ortak şirketlerin bir örneğine bakalım. Weizhong'un özelliği, çok sayıda Y kullanıcısının olmasıdır. Veri kümesini X ve Y'ye böleriz. X, kullanıcının özellikleri ve davranışıdır ve Y nihai sonuçtur. Bankadaki sonucumuz, vadesi geçmiş olasılık olan kredi gecikmesinin olup olmadığıdır. Kooperatif ortağı şirket bir İnternet şirketi veya bir araba veya sigorta şirketi olabilir .. Mutlaka bir sonuç verisi Y olmayabilir, ancak çok sayıda davranışsal bilgiye sahiptir X.
Şimdi, bu iki alan aynı kullanıcı grubunu modelleyecekse, dikey federe öğrenmeye aittir ve dikey federe öğrenmenin uygulanması kurulmuştur.Sonunda, çok iyi sonuçlar elde edilmiştir.AUC endeksi büyük ölçüde artmıştır ve kusur oranı büyük ölçüde azalmıştır.
(Federal öğrenme çözümü etkisi)
Bu örnek, verilerin fiziksel olarak değiş tokuş edilmediği varsayımı altında, iki şirketin federe öğrenmeden yararlanmasının gerçekten mümkün olduğunu göstermektedir. Bunun faydası, iki taraftaki verilerin gerçekten farklı ve tamamlayıcı olmasıdır. Federe öğrenme durumunda ve federe öğrenme olmadan Ortada, federe öğrenim birkaç rol oynadı:
İş hayatında, ortak şirketin patronuna federal öğrenmeyi kullanmanın gizliliği koruyabileceğini açıklarsak, iki şirket arasındaki işbirliğini teşvik etmek daha kolay olacaktır.Bu, bir BD iş arkadaşı çok mutlu çünkü BD'nin başarı oranı büyük ölçüde arttı.
Teknik olarak, federal öğrenmenin yasal ve etkili olmasını sağlamak gerçekten de mümkündür.
İkinci duruma bakalım, bu dava ticari amaçlı değil, şehir yönetimi içindir. Çok sayıda şantiye olduğunu biliyoruz ve şantiyenin güvenliğini izlemek için şantiyede çok sayıda kamera var.Örneğin, işçilerin kask takıp takmadığını, yangın çıkıp çıkmadığını ve sigara içip içmediğini bilmek istiyoruz.Geçmişte insanları izlemeye gönderdik, sonra kamera önüne kamera gönderdik. Bak.
Şimdi, bunların oluşumunu tespit etmek için otomatik yöntemler ve model yöntemler kullanabilir miyiz ve bunlar ne kadar ciddi? Hong Kong'da şapka takmayan işçiler varsa, şantiyeye üç gün süreyle üretimi durdurma talimatı verilecek, bu da inşaat sürecine çok zarar verecek ve böylece patronlar çok gergin olacak. Patronların önceki yöntemi, kameranın önünü kağıtla kapatmaktı. hükümet görmek. hükümet Bunu öğrendikten sonra, gözü kapalı olmanın yasadışı olduğu sürece işin üç gün süreyle durdurulacağı hükme bağlanmıştır.
Şimdi birisi bana geldi ve bunu yapmanın bir AI yolu olup olmadığını mı sordu? Ancak AI yaklaşımının farklı kameraları var, hükümet Diğer kişinin bu kameralar tarafından çekilen yüzleri görmesini istemiyoruz. Bu bir gizlilik sorunudur. Şimdi bunu yapmak için federe öğrenmeyi kullanmak mümkün oldu ve birçok şantiyede kullanıldı.
Üçüncü durum konuşma tanımadır. Çok sayıda konuşma tanıma verisi vardır ve sigorta müşteri hizmetleri alanında konuşma tanıma, kalite denetiminde konuşma tanıma vb. Gibi farklı alt bölüm senaryoları vardır. Bu veriler farklı veri toplayıcılardan gelebilir ve bunlar değildir. Verinin kendisi bir kaynak olduğu için veriyi diğer tarafa vermeye istekli. Şimdi, ortak bir ASR modeli oluşturmak için onları birbirine bağlamak için federe öğrenmeyi kullanıyoruz ve şimdi iyi sonuçlar elde ettik.
Federal öğrenme ekolojik olmalı
Federe öğrenme bir işletim sistemi gibidir. Kendi başınıza oynayamazsınız. Çok taraflı işbirliği ile karakterize edilir. Ancak birden fazla taraf bunu fark ettiğinde bunu yapma fırsatına sahip olabilirsiniz. Bu nedenle, federal bir öğrenme ekosistemi kurmaya büyük önem veriyoruz.
Bu nedenle akademik ve endüstriyel çevrelerde pek çok tanıtım yaptık ve gelecekte herkesin katılımını umuyoruz. 12 Ağustos IJCAI toplantı Tam günlük bir seminer olan Macau'da açık bir FML düzenlenecek ve sektördeki birçok kişi konuşma yapacak.
Aynı zamanda bir çok açık kaynak projesi yaptık, sadece biz değil, dünyanın her yerinde federe öğrenme için açık kaynak projeleri yapıyoruz, umarım aktif olarak katılacaksınız. FATE sistemini de Linux Vakfı'na bağışladık.
Aynı zamanda uluslararası standart IEEE P3652.1'in kurulmasını da ilerletiyoruz. Üçüncü toplantı 11 Ağustos'ta Makao'da yapılacak. toplantı Şimdi ilerleme çok hızlı ve birçok katılımcı firma var. Aynı zamanda, Çin'de de standartlar oluşturuyoruz Sanayi ve Bilgi Teknolojileri Bakanlığı, federal öğrenim için ilk grup standardını yeni başlattı ve bir sonraki adım, ulusal standartları uygulamaktır.
Standardı zorlamamızın nedeni, federe öğrenmenin bir işletim sistemi gibi olmasıdır, kurumlar ve kurumlar arasında bir iletişim dilidir.Kurumsal işbirliğinin önce bir dili (sözlük) olması gerekir ve bunu yapmak için herkes bu dili konuşabilir, bu yüzden kurmaya çok hevesliyiz Böyle bir standart ve onu teşvik edin. Ayrıca herkesin bu şekilde IEEE Standartları Komitesine katılacağını umuyorum. hepinize teşekkür ederim.
Son
