بازگشت به فناوری
یادگیری فدرال

هوش جمعی،
حریم خصوصی فردی

هوش مصنوعی ما از میلیون‌ها کاربر باهوش‌تر می‌شود، بدون آنکه هرگز داده‌های شما را ببیند. یادگیری فدرال مزایای داده‌های بزرگ را به هوش مصنوعی محترم به حریم خصوصی می‌آورد.

یادگیری فدرال چگونه کار می‌کند

مدل به‌سراغ داده‌های شما می‌آید، نه برعکس.

1

آموزش محلی

دستگاه شما مدل هوش مصنوعی را تنها با دادهٔ محلی خودتان آموزش می‌دهد. دادهٔ خام هرگز دستگاه شما را ترک نمی‌کند.

2

محاسبهٔ گرادیان

دستگاه آنچه را مدل آموخته (گرادیان‌ها) محاسبه می‌کند، بی‌آنکه دادهٔ زیرین را به اشتراک بگذارد.

3

حریم خصوصی تفاضلی

به گرادیان‌ها نوفه افزوده می‌شود تا از نظر ریاضی تضمین شود هیچ دادهٔ فردی قابل استخراج نیست.

4

تجمیع امن

گرادیان‌های رمزنگاری‌شده با پروتکل‌های رمزنگارانه ترکیب می‌شوند. هیچ طرفی به‌روزرسانی خام را نمی‌بیند.

5

به‌روزرسانی مدل

مدل سراسری بهتر می‌شود و به همهٔ دستگاه‌ها بازمی‌گردد. همه سود می‌برند، هیچ‌کس فاش نمی‌شود.

تضمین‌های حریم خصوصی

چندین لایه محافظت تضمین می‌کند داده‌های شما خصوصی بماند.

بدون هیچ بارگذاری داده

دادهٔ خام شما — تاریخچهٔ مرور، پیام‌ها، فایل‌ها — هرگز دستگاهتان را ترک نمی‌کند. همین.

حریم خصوصی تفاضلی

تضمین ریاضی (ε=1.0) بر اینکه مشارکت‌های فردی بازمهندسی‌پذیر نیستند.

تجمیع امن

پروتکل‌های رمزنگارانه تضمین می‌کنند هیچ نهاد واحدی به به‌روزرسانی‌های فردی مدل دسترسی ندارد.

حریم خصوصی راستی‌آزمایی‌پذیر

پیاده‌سازی ما متن‌باز است و پژوهشگران مستقل ممیزی‌اش کرده‌اند.

ما چگونه از یادگیری فدرال استفاده می‌کنیم

شناسایی تهدید

مدل می‌آموزد الگوهای تازهٔ بدافزار را از میان میلیون‌ها دستگاه بازشناسد، بی‌آنکه هیچ دستگاهی فاش کند با چه تهدیدی روبه‌رو شده است.

بازشناسی فیشینگ

با تجمیع الگوها می‌آموزد ایمیل‌ها و وب‌سایت‌های فیشینگ را بازشناسد، بی‌آنکه پیام‌های هیچ فردی را ببیند.

بهینه‌سازی شبکه

مسیریابی اتصال و گزینش سرور را بر پایهٔ تجربهٔ جمعی بهتر می‌کند، بی‌آنکه مصرف فردی را ردیابی کند.

تحلیل حریم خصوصی

در بازشناسی شگردهای ردیابی و اثرانگشت‌گیری بهتر می‌شود، بی‌آنکه تاریخچهٔ مرور شما را ثبت کند.

یادگیری فدرال در برابر یادگیری متمرکز

جنبهمتمرکزفدرال
محل دادهروی سرورها بارگذاری می‌شودروی دستگاه می‌ماند
ریسک حریم خصوصینشت داده ممکن استداده‌ای برای نشت وجود ندارد
انطباق مقرراتیپیچیدهسازگار با GDPR از پایه
مصرف پهنای باندزیاد (داده خام)کم (فقط گرادیان‌ها)
شخصی‌سازینمایه‌های سمت سرورسازگاری روی دستگاه

پیاده‌سازی فنی

چارچوبTensorFlow Federated + افزونه‌های سفارشی
بودجه حریم خصوصیε = ۱٫۰ (حریم خصوصی تفاضلی رنی)
پروتکل تجمیعتجمیع امن با تسهیم راز
ارتباطاتگرادیان‌های فشرده، کاهش ۱۰ تا ۱۰۰ برابری
معماری مدلمبتنی بر ترنسفورمر، ۷ میلیارد پارامتر (کوانتیده)
دورهای آموزشتجمیع روزانه، به‌روزرسانی محلی ساعتی

پرسش‌های متداول

اگر کسی به‌روزرسانی‌های مدل را شنود کند چه می‌شود؟+
به‌روزرسانی‌های مدل با تجمیع امن رمزنگاری می‌شوند. حتی اگر شنود شوند، از نظر ریاضی تضمین‌شده است که چیزی دربارهٔ کاربران فردی فاش نمی‌کنند. افزون بر این، حریم خصوصی تفاضلی تضمین می‌کند حتی از نتیجهٔ تجمیع‌شده هم نمی‌توان مشارکت‌های فردی را استنتاج کرد.
آیا سرور مرکزی می‌تواند چیزی دربارهٔ من بیاموزد؟+
نه. به سبب تجمیع امن، سرور تنها به‌روزرسانی ترکیب‌شدهٔ هزاران کاربر را می‌بیند. تضمین‌های حریم خصوصی تفاضلی مطمئن می‌سازند که حتی از این تجمیع هم نمی‌توان اطلاعاتی دربارهٔ هیچ فردی استنتاج کرد.
یادگیری فدرال چقدر پهنای باند مصرف می‌کند؟+
بسیار کم. از شگردهای فشرده‌سازی گرادیان استفاده می‌کنیم که پهنای باند را در مقایسه با فرستادن دادهٔ خام ۱۰ تا ۱۰۰ برابر می‌کاهند. یک به‌روزرسانی روزانهٔ معمول کمتر از ۱ مگابایت است.
آیا این دستگاهم را کُند می‌کند؟+
آموزش در دوره‌های بی‌کاری انجام می‌شود و هرجا در دسترس باشد از شتاب‌دهنده‌های موتور عصبی بهره می‌گیرد. بیشتر کاربران هیچ افت کارایی‌ای حس نمی‌کنند.

هوش مصنوعی با اولویت حریم خصوصی

هوش مصنوعی‌ای را تجربه کنید که بدون نظارت بر شما یاد می‌گیرد. OrbVPN را به‌همراه Hylon دانلود کنید.

دانلود OrbVPN