Birleşik öğrenme: Derin öğrenmeden sonra, yapay zeka güvenliğinin ikinci ayağı
Yazar | Zhang Dong Editör | Tang Li
Düşler ve gerçeklik her zaman iç içe olmuştur ve AI bir istisna değildir.
Örnek olarak en hızlı ve en hızlı AI dağıtımına sahip güvenlik sektörünü ele alalım.Son birkaç yılda, endüstrinin yakalayıcılar ve kartal gözleri gibi çeşitli ürünleri insanların gözlerini kamaştırdı.
Yapay zeka yavaş yavaş her şeye gücü yetme ile eş anlamlı hale geldi.
Ancak, güvenlik endüstrisindeki gerçek AI uygulamasının hala acilen çözülmesi gereken birçok pratik problemi var.
Büyük ölçekli iniş: AI güvenliğinin hala iki önemli sorun noktası var
Univision CEO'su Zhang Pengguo, "Mevcut AI uygulama yetenekleri ile kullanıcı ihtiyaçları arasında büyük bir boşluk olduğunu belirtti. İlki, veri gizliliği koruması ve güvenlik kontrolü, düşük maliyet, süreç yeniden yapılandırma ve organizasyonel değişim gibi zorluklarla hala yüzleşmek zorunda." Dedi.
Spesifik olarak, iki temel sorun noktası vardır:
İlk olarak, veriler yeterince çeşitli değildir ve anormal şekilde kapatılmıştır.
Çin'in büyük bir nüfusu, kullanıcıları ve görüntü toplama noktaları var.İlgili şirketler verileri elde ettikten sonra, bunlar taranacak, filtrelenecek, üst üste getirilecek ve birleştirilecek ve bu da kendi algoritmalarının etkisini kademeli olarak iyileştirecektir.
Ancak bu tür bir tanıtım kişisel ve asgari düzeydedir.
Her üreticinin kurduğu AI sistemi, birbiri ardına "bacaya" benzer ve "baca" mimarisi dikey bir mimaridir.
Her BT sisteminin kendi depolama ve ekipmanlarının yanı sıra bağımsız yönetim araçları ve veritabanları vardır.Farklı sistemler kaynakları paylaşamaz, onlara teslim edemez ve erişemez, kaynak adaları ve bilgi adaları oluşturmaz.
Farklı şirketlerin farklı veritabanı modeli tasarımları ve hedef hedefleri olduğu için, modelleri doğrudan değiş tokuş edemez ve paylaşamazlar.
İlgili firmaların veri tabanları entegre edilebilir ancak gizlilik, güvenlik ve diğer konulara tabi olsa bile bu yapılmamalıdır.
Verilerin eksik olduğu ve verilerin paylaşılmasının zor olduğu senaryolar vardır. Bu, AI güvenliği de dahil olmak üzere birçok sektörde yaygın bir sorundur ve AI kapsayıcılığını engelleyen en büyük sorun noktasıdır.
İkincisi, yüksek kaliteli veri eksikliği var ve algoritma yeterince doğru değil.
Eğitim desteği olarak yeterli yüksek kaliteli veri eksikliği nedeniyle, çoğu şirket mikro inovasyon için açık kaynak çerçevelerine güveniyor ve ardından pazarı ele geçirmek için düşük maliyetli stratejiler benimsiyor, bu da tüm endüstrinin temel orijinal teknoloji inovasyonu motivasyonunu kaybetmesine neden oluyor.
Kendi kendine çalışmaya bağlı kalmak uzun ve meşakkatli bir yoldur.Kimse yıllarca süren sıkı çalışmanın büyük bir iyileştirme emriyle değiştirilip değiştirilemeyeceğini ve yüksek yatırımın buna uygun bir getiri elde edip etmeyeceğini kimse bilmiyor.
Bu bakımdan bazı kişiler, güvenlik sektörünün doğal olarak yüksek deneme yanılma oranına bağlı olarak, ondalık noktadan sonra algoritmanın doğruluğundaki büyüklük sırasının artmasının projenin nihai sahipliğini değiştirmediğini söyleyebilir.
Aslında, bu aşamada güvenlikle ilgili AI teknolojisinin doğruluğu tavana ulaşmaktan uzaktır ve tüm görüntü alanının sınıflandırılması, bölümlere ayrılması ve sınıflandırılması sorunları iyi çözülmemiştir.
Özetle, güvenlik pazarında AI teknolojisinin uygulanmasında hala birkaç zorluk var:
1. Bilişsel problemleri çözmek, algı problemlerinden daha zordur. Algılama problemlerine sinir ağı fonksiyonları ile yaklaşılabilir, aksine, bir makineye bir sandalyeyi tanımayı öğretmek gibi bilişsel problemlerin çözülmesi daha zordur.
2. Zayıf ipuçları, tıkanma, bulanıklık, nesne izleme vb. Söz konusu olduğunda, insanlar genellikle tanıma sürecinde sağduyuya güvenirler ve zengin hayal gücü ve akıl yürütme eklerler. Ancak bu yetenekleri makineye öğretmek çok zor.
3. Bilgisayarla görme teknolojisinin makineye getirdiği yetenek, sadece dünyayı gözlemlemek değil, aynı zamanda dünya ile birlikte etkileşim kurmak için bir bağlantı kurmaktır ve "etkileşim" adımına ulaşmak için hala daha uzun bir yol vardır.
Güvenlik senaryolarındaki sürekli değişikliklere bağlı olarak, algoritma yinelemesine yönelik gereksinimler çok katı ve artan olmalıdır.
Bu pazarda, algoritma doğruluğunun iyileştirilmesiyle ortaya çıkan daha fazla sahneyi görebilen ve sahnedeki değişikliklere göre en hızlı ve doğru yanıtı elde eden, gelecekteki rekabette daha ileri gidebilecek.
Federal Öğrenme: Yapay zekanın büyük ölçekli uygulamasında bir başka devrim niteliğinde atılım
Bir yandan güvenlik sektöründe yapay zekanın keşfi yeni başladı; öte yandan yapay zekada başarılı olmak için gerekli veriler sınırlı ve kalitesiz ve farklı veri kaynakları arasında kırılması zor engeller var.
Çok sayıda kullanıcısı ve ürün ve hizmet avantajları olan birkaç dev şirket dışında, çoğu küçük ve orta ölçekli AI güvenlik şirketi, yapay zeka inişinin veri açığını makul ve yasal bir şekilde geçmekte zorluk çekiyor veya çok büyük bir maliyet ödemesi gerekiyor. Bu problemi çözmek için.
Ayrıca büyük verinin gelişmesiyle birlikte veri gizliliği ve güvenliğine önem vermek dünya çapında bir trend haline geldi.Bir dizi düzenlemenin getirilmesi, veri edinmenin zorluğunu artırarak yapay zekaya eşi benzeri görülmemiş uygulamaları da getirdi. meydan okuma.
Neden?
Bu soruya yanıt olarak, muhabir aynı anda altı akademik ve endüstriyel liderle röportaj yaptı ve cevaplar nispeten tutarlıydı: Mevcut araştırma ilerlemesinden yola çıkarak, "Federal Öğrenme" teknolojisi yukarıdaki problemleri çözmek için en iyi seçim olabilir.
Federe öğrenme kavramı ilk olarak 2016 yılında Google tarafından önerildi. Çin'de, Hong Kong Bilim ve Teknoloji Üniversitesi Başkanı Profesör ve WeBank'ın Yapay Zeka Başkanı (CAIO) Profesör Yang Qiang, federal çalışma ve araştırmadaki ilk kişi olarak kabul ediliyor. Bundan sonra, WeBank, Tencent, Ping An Technology, Huawei, JD gibi yerel şirketler ve kurumlar, akademik araştırma ve endüstri inişinin yeni bir aşamasına girmek için federal öğrenmeyi teşvik etti.
Federe öğrenmenin bu kadar kısa bir süre içinde bir fikirden disipline hızla değişebilmesinin nedeni, temelde tüm tarafların temeldeki verileri açıklamadan bir model oluşturmasına ve ardından tüm veri federasyonundaki veri kaynaklarını kullanmasına izin vermesidir. , Her üyenin modelinin performansını iyileştirin.
Genel olarak konuşursak, derin öğrenme çağında, her bir AI şirketinin teknik yetenekleri yalnızdır; federe öğrenmenin ortaya çıkışı, tüm AI şirketlerini daha yakından ve güvenli bir şekilde birbirine bağlamıştır.Federasyonun her üyesi, Başkalarının güçlü yönlerini emerken kendi yeteneğini geliştirmek için en hızlı hızı kullanabilir ve sonunda ortak büyümeyi sağlayabilir.
Örneğin, satıcı A'nın kampüs verileri, satıcı B'nin fabrika verileri ve satıcı C'nin topluluk verileri vardır ve üç satıcı da birleşik öğrenme teknolojisini kullanır.
İş seviyesinden başlayarak, üç satıcı A, B ve C doğrudan iki yetenek elde etti: 1. Kendi işlerini en hızlı şekilde optimize etmek, 2. Yeni işi en hızlı şekilde büyütmek.
Kendi iş performansını optimize etmenin en hızlı yolu, satıcı A'ya benzer birkaç şirketin her gün platforma şifrelenmiş veri modelleri girmesi ve bu veri modellerinin, satıcı A'nın sahip olmadığı ve satıcı A'nın takip edebileceği diğer veri bilgilerini içermesidir. Bu veriler kendi algoritma modellerini günceller.
Yeni işin en hızlı genişlemesi, her A, B ve C üreticisinin, toplama yoluyla daha büyük bir veri modeli elde edebilen ve veri sirkülasyonu olmadan veri sirkülasyonunun en iyi etkisini elde edebilen kendi iyi yapılandırılmış modeline sahip olması gerçeğine yansımaktadır. Kaynak tamamlama yoluyla, diğer tarafın yeni işi genişletme yeteneği en kısa sürede güvenli bir şekilde elde edilebilir.
Gizlilik koruması açısından bakıldığında, genellikle akıllı kamera tarafından oluşturulan veriler arka uç sunucuya yüklenecek ve ardından sunucuya yerleştirilen sinir ağı modeli, bir model elde etmek için toplanan büyük miktardaki verilere göre eğitilecektir. Kullanıcılar hizmet sağlar.
Bu, veri gizliliği ve güvenliğini sağlamanın zor olduğu merkezi bir model eğitim yöntemidir.
Federe öğrenme artık arka uca veri göndermekle ilgili değil, her şirketin kendi sunucusunda eğitim almak ve eğitim modelini şifreli olarak yüklemek için arka uç, binlerce kullanıcı modelini entegre edecek ve ardından iyileştirme planları için kullanıcıya geri bildirim sağlayacaktır.
Geleneksel öğrenme modeliyle karşılaştırıldığında, federe öğrenmenin avantajları açıktır:
1. Federe öğrenme çerçevesi altında, tüm katılımcılar eşit statüye sahiptir ve adil bir işbirliğine ulaşabilirler;
2. Verilerden kaçınmak için verileri yerel olarak saklayın yol ver , Kullanıcı gizliliği koruması ve veri güvenliği ihtiyaçlarını karşılamak için;
3. Bağımsızlığı korurken, şifrelenmiş bilgi ve model parametreleri alışverişinde yer alan tüm tarafların aynı zamanda büyümesini sağlayabilir;
4. Modelleme etkisi, geleneksel derin öğrenme algoritmalarının modelleme etkisinden çok farklı değildir;
5. Birleşik öğrenme, "kapalı döngü" bir öğrenme mekanizmasıdır ve modelin etkisi, veri sağlayıcısının katkısına bağlıdır.
Geleneksel yönteme göre, kullanıcılar yapay zekanın sadece seyircileridir - kullanan ama katılmayanlar; federal öğrenme senaryosunda, herkes bir "eğitim ejderha ustasıdır" ve herkes yapay zekanın geliştirilmesinde katılımcıdır.
Bir adım atın: Federal öğrenme kök saldı
Şu anda federe öğrenmenin iş dünyasına bir konseptten girdiğini ve sektör senaryolarına dayalı bir dizi yeni platform ve yeni uygulamanın doğduğunu belirtmekte fayda var.
Bu yılın Eylül ayında, WeBank ve Extreme Vision ortaklaşa Çin'in ilk görsel birleşik öğrenme sistemini oluşturdu.
Örnek olarak bir video kameradaki alev tanımayı ele alalım, yapay zeka mühendisleri bir alev algılama tanıma modelini eğitmek için çok çalışmış olabilirler ve yangın olasılığını analiz etmek için yanma fenomeni olup olmadığını belirlemek için bunu bir gözetim kamerasında kullanmak isteyebilirler. , Yangın uyarısını gerçekleştirin.
Orijinal AI algoritması, belirgin geniş alan yanması ve açık alevler içeren ortak sahneleri daha doğru bir şekilde tanımlayabilir. Ancak çakmağın yaktığı alevlerle karşılaşıldığında kamera biraz "sersemlemiş".
Modelin tanıma yeteneğini geliştirmesini istiyorsanız, geleneksel AI eğitimi, ilgili tarafın bazı veri örnekleri sağlamasını gerektirir ve bu, ağ bant genişliğinden kaynaklanan düşük algoritma doğruluğu ve veri gizliliği gibi sorunlara neden olmuştur.
Her türlü sorundan önce, Extreme Vision, birleşik öğrenme teknolojisini kullanarak bilgisayar görüntü modellerinden oluşan bir "süpermarket" oluşturmak için WeBank ile işbirliği yaptı.
Resim kaynağı: fedai.org
Federal vizyon sisteminde, yerel modellemeye dayanarak, tüm tarafların verilerinin yerel olmamasını sağlarken AI algoritmasının doğruluğu iyileştirilebilir.
WeBank'ın yapay zeka departmanının genel müdür yardımcısı Chen Tianjian, halka açık bir paylaşımda, "federe öğrenme teknolojisi aracılığıyla 'Federal Görüş Sistemi' projesinde genel model performansının% 15 oranında iyileştirildiğini ve model etkisinin kaybolmadığını, bu da büyük ölçüde iyileştiğini ortaya koydu Geliştirilmiş modelleme verimliliği. "
AI ikinci yarı: teknoloji ekolojisi yeniden şekillendiriliyor
Güvenlik endüstrisi, ilk genel amaçlı ürünlerden çözümlere, ardından ön içerik analizine ve ardından platformun çalışmasına kadar iki sıçramadan geçti.
Gelecekte, güvenlik sektörünün arkasında trilyonlarca dolarlık büyük bir trafik girişi ve geometrik bir artış var.
IoT çağında, veri işleme bir ada değildir.Gelecekte akıllı bir şehirdeki her insan ve her kamera algılanabilir olacak ve federe öğrenme, sektörü yükseltmek ve dönüştürmek için "kalabalık zekası" gücünü kullanabilir.
Optimize edilmiş, tamamlayıcı, güvenli ve verimli. Federe öğrenmenin şüphesiz sektörde AI kapsayıcılığını teşvik etmek için en olası teknoloji rotası olduğunu söylemek abartı olmaz.
Ayrıca, AI endüstrisinin B2C'den C2B'ye dönüşümü için bir başlangıç noktasıdır.Olgun gelişimi, daha düşük bir eşikte AI toplumunun inşasına daha fazla insanın katılmasına izin verebilir.
Aynı zamanda, güvenlik alanında güvenlik uygulaması, federal öğrenmeyi güçlendirme buzdağının sadece görünen kısmıdır.Gelecekte, finans, perakende, medikal, hükümet ve endüstri dahil olmak üzere çeşitli sektörler ve senaryolar bu teknolojiyi maliyetleri düşürmek, verimliliği artırmak, geliri artırmak ve harcamaları azaltmak için kullanabilir.
Gelecekte, federal öğrenim ekolojik olmalıdır. Federe öğrenmenin özü tamamlayıcılık, işbirliği ve ekolojide yatmaktadır. Federe öğrenme bir işletim sistemi gibidir. Bir şirket iyi oynayamaz. Ancak tüm taraflar katıldığında bir fark yaratma fırsatına sahip olabilirler.
Uyumun güzelliği uyum ve farklılıkta yatar;
Federal öğrenmenin tam yetkilendirilmesine giden yol hala çok uzak ve inen bu "tohumlar" filizleniyor, çığır açıyor ve insanlar tarafından tanınıyor.
