گوگل رویکردی مشارکتی و آگاه به حفظ حریم خصوصی برای پیشرفت هوش مصنوعی ارائه کرد

گوگل یک چارچوب هوش مصنوعی پیشگامانه به نام Social Learning را معرفی کرده است که هدف آن افزایش قابلیت‌های مشترک مدل‌های زبانی بدون به خطر انداختن حریم خصوصی کاربران است. این چارچوب به مدل‌های هوش مصنوعی اجازه می‌دهد تا از طریق تعاملات زبان طبیعی از یکدیگر بیاموزند و آنها را قادر می‌سازد دانش را به اشتراک بگذارند و عملکرد را در کارهای مختلف بهبود بخشند.

از طریق چارچوب یادگیری اجتماعی، مدل‌های معلم می‌توانند دانش را بدون به اشتراک گذاشتن مستقیم داده‌های حساس یا خصوصی به مدل‌های دانش‌آموز منتقل کنند و ضمن تسهیل یادگیری مؤثر، از حفظ حریم خصوصی اطمینان حاصل کنند. در این چارچوب، مدل‌های دانش‌آموز از چندین مدل معلم یاد می‌گیرند که هر کدام در وظایف خاصی مانند تشخیص هرزنامه، حل مسائل ریاضی یا پاسخ دادن به سؤالات بر اساس متن مهارت دارند.

با استفاده از نمونه‌های برچسب‌گذاری شده توسط انسان، مدل‌های معلم می‌توانند بدون نیاز به تبادل داده‌های اصلی به دانش‌آموزان آموزش دهند و نگرانی‌های مربوط به حفظ حریم خصوصی مرتبط با اشتراک‌گذاری داده‌ها را برطرف کنند. به‌علاوه، مدل‌های معلم می‌توانند نمونه‌های جدیدی را ترکیب کنند یا دستورالعمل‌هایی را برای کارها ایجاد کنند و روند یادگیری را بیشتر تقویت کنند.

آزمایش‌ها اثربخشی یادگیری اجتماعی را در بهبود عملکرد مدل‌های دانش‌آموز در وظایف مختلف نشان داده‌اند. نمونه‌های ترکیبی تولید شده توسط مدل‌های معلم اثربخشی قابل مقایسه با داده‌های اصلی را نشان داده‌اند، در حالی که به طور قابل‌توجهی خطرات حفظ حریم خصوصی را کاهش می‌دهند. به طور مشابه، دستورالعمل‌های تولید شده توسط مدل‌های معلم ثابت کرده‌اند که عملکرد دانش‌آموز را افزایش می‌دهند، و سازگاری مدل‌های زبان را در دستورالعمل‌های زیر نشان می‌دهند.

برای اطمینان از حفاظت از حریم خصوصی، محققان از معیارهایی مانند Secret Sharer برای تعیین کمیت نشت داده ها در طول فرآیند یادگیری استفاده کرده اند. نتایج نشان‌دهنده حداقل نشت داده‌های خصوصی است که توانایی چارچوب را برای آموزش بدون فاش کردن جزئیات از مجموعه داده اصلی تأیید می‌کند. این رویکرد نویدبخش توسعه سیستم‌های هوش مصنوعی آگاه از حریم خصوصی در حوزه‌های مختلف است. در حرکت رو به جلو، محققان قصد دارند چارچوب Social Learning را بیشتر اصلاح کنند و کاربردهای آن را در وظایف و مجموعه داده‌های مختلف بررسی کنند.