Google представив наступне покоління системи Федеративного навчання

TL;DR

• •Google представив нову систему Федеративного навчання на базі TEEs
• •Забезпечує перевірну диференційну приватність
• •Переносить обчислення на сервер для скорочення навчання
• •Статус: дослідження, нема готового продукту або API
• •Основна галузь: кібербезпека та захист даних

---

Як це змінить ваш ринок?

Для банків та медичних установ, які працюють з чутлими даними, таке рішення може зменшити ризики порушення приватності при навчанні AI-моделей без передачі даних центральному серверу — це знімає один з головних блокерів у регульованих галузях.

Визначення: Федеративне навчання — підхід до навчання AI-моделей, при якому дані залишаються на локальних пристроях, а оновлюються лише ваги моделі.

Для кого це і за яких умов

Не для SMB: технологія вимагає доступу до інфраструктури з TEEs (наприклад, специфічних процесорів або хмарних середовищ), що недоступно без IT-команди та бюджету на спецобладнання. Для компань до 200 людей це нічого не змінює.

Альтернативи

| | TensorFlow Federated | PySyft | OpenMined | | Ціна | безкоштовно (open source) | безкоштовно (open source) | безкоштовно (open source) | | Де працює | локальні сервери, хмара | локальні пристрої, хмара | локальні пристрої, хмара | | Мін. вимоги | Python, TensorFlow | Python, PyTorch | Python, різні фреймворки | | Ключова різниця | інтеграція з TensorFlow | акцент на приватність через шифрування | спільнота та інструменти для конфіденційного обчислення |

---