Можно ли обеспечить безопасность данных с помощью федеративного обучения: путь для G7

Об этом сообщает «Politexpert» со ссылкой на The Conversation 

В последние годы искусственный интеллект (ИИ) становится неотъемлемой частью нашей повседневной жизни. Использование ИИ для диагностики заболеваний, борьбы с мошенничеством в банках и решения различных глобальных задач открывает новые горизонты, но также порождает серьезные опасения относительно безопасности данных. 

Одним из самых обсуждаемых вопросов на встречах мировых лидеров, в том числе на саммите G7, является возможность разработки мощных ИИ-систем без угрозы для конфиденциальности и безопасности данных.

Одна из самых перспективных, но при этом недостаточно оцененных технологий в контексте ИИ — это федеративное обучение. Эта методика может значительно уменьшить риски, связанные с утечками данных, позволяя организациям и государствам работать с ИИ, не передавая чувствительные данные в централизованные базы. В условиях, когда данные играют ключевую роль в обучении ИИ, создание новых стандартов и технологий для защиты информации становится приоритетом для демократических стран.

Проблемы централизованных систем и риски безопасности

Традиционный подход в обучении ИИ заключается в сборе данных в единую централизованную базу для их обработки. На первый взгляд это решение выглядит удобным и эффективным, однако оно порождает множество угроз безопасности. 

Централизованные системы становятся привлекательными целями для хакеров, так как их взлом может дать доступ к огромным объемам конфиденциальной информации. Кроме того, управление такими системами становится сложным, особенно если данные передаются через различные государственные и корпоративные границы.

Централизованные базы данных создают дополнительные риски для защиты личных данных граждан и пользователей. Проблемы возникают не только в области безопасности, но и в вопросах регулирования, когда данные пересекают национальные границы, что делает их более уязвимыми для использования без контроля. Это означает, что, несмотря на эффективность централизованных систем, они не являются идеальным решением для обеспечения безопасности и конфиденциальности данных.

Как работает федеративное обучение и какие преимущества оно дает

Федеративное обучение (FL) представляет собой принципиально новый подход к обучению ИИ, при котором не данные переносятся в центральную систему, а сама модель ИИ «перемещается» к данным. В каждой локальной организации, будь то больница, банк или государственная структура, происходит обучение модели на локальных данных. 

При этом в центральную систему передаются только обновления модели, но не сами данные. Такой подход позволяет значительно снизить риски утечек информации, сохраняя при этом возможность выявлять закономерности и обучать модели на основе большого количества данных.

Один из самых заметных примеров использования федеративного обучения был продемонстрирован в Канаде, где ученые использовали эту методику для создания моделей по обнаружению рака, обучая ИИ с использованием данных различных провинций, но без необходимости передавать личные медицинские записи. Это позволяет не только защищать данные, но и эффективно решать задачи, требующие обработки большого объема информации.

Федеративное обучение в сфере финансов и кибербезопасности

Федеративное обучение активно используется в различных областях, включая банковский сектор и кибербезопасность. Например, банки начали применять FL для обнаружения мошенничества, анализируя транзакции без необходимости обмена персональными данными клиентов. Этот подход не только защищает личную информацию пользователей, но и позволяет выявлять потенциальные угрозы с помощью коллективных усилий разных финансовых организаций.

Аналогичные методы применяются и в области кибербезопасности, где различные агентства могут координировать свои действия по предотвращению угроз и атак без необходимости обмена чувствительной информацией. Это значительно улучшает возможность быстрого реагирования на угрозы, одновременно снижая риски, связанные с утечками данных и нарушением конфиденциальности.

Преимущества для G7 и глобального сотрудничества

В условиях глобальных вызовов, таких как изменения климата, пандемии и киберугрозы, страны должны научиться эффективно сотрудничать, не жертвуя безопасностью своих данных. Федеративное обучение предоставляет такую возможность, позволяя разным юрисдикциям работать над общими проблемами, сохраняя при этом контроль за своими данными. Это становится особенно важным в рамках сотрудничества G7, где необходимо не только учитывать интересы отдельных стран, но и работать над решением глобальных задач.

Федеративное обучение также позволяет избежать юридических и технических сложностей, связанных с передачею данных между странами с различными законодательствами. Эта технология может стать ключом к успешному международному сотрудничеству в сфере ИТ и безопасности, что крайне важно в условиях быстрого развития технологий и угроз.

Потенциал федеративного обучения в будущем

В будущем федеративное обучение может стать стандартом в обработке данных для многих областей, включая здравоохранение, финансовые услуги, кибербезопасность и многие другие. С каждым годом развивается не только сама технология, но и методы ее применения, такие как дифференциальная приватность и гомоморфное шифрование. Это открывает новые горизонты для безопасного и эффективного использования ИИ в различных сферах жизни.

Сегодня, несмотря на развитие таких технологий, существует нехватка политической воли для их широкого внедрения. Это создает проблемы в области разработки стандартов и создания глобальных решений для защиты данных. Для того чтобы ИИ мог приносить реальные преимущества, мировые лидеры, такие как страны G7, должны активно поддерживать и внедрять такие методы, как федеративное обучение, в свои стратегии по защите данных.

Напомним, ранее мы писали про 3 ключевые черты для успешного найма.