ระบบเรียนรู้แบบกระจายความหนาแน่นต่ำสำหรับซัพพลายเชนหมุนเวียน
นักวิจัยเผยแพร่ต้นแบบระบบ Sparse Federated Representation Learning ช่วยให้บริษัทคู่แข่งแชร์ข้อมูลการผลิตแบบรักษาความเป็นส่วนตัวและตรวจสอบได้ด้วยหลักฐานทางคริปโตกราฟี
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- นักวิจัยพัฒนาต้นแบบระบบเรียนรู้แบบกระจายสำหรับอุตสาหกรรมการผลิตหมุนเวียน
- ช่วยให้บริษัทคู่แข่งร่วมมือกันเรียนรู้ข้อมูลการผลิตโดยไม่ต้องเปิดเผยข้อมูลดิบ
- ใช้ความหนาแน่นต่ำ (Sparsity) เพื่อลดการสื่อสารและเพิ่มความโปร่งใสในการตรวจสอบ
- ผนวกระบบตรวจสอบทางจริยธรรมและหลักฐานทางคริปโตกราฟีเข้ากับโมเดลโดยตรง
เมื่อประมาณ 8 เดือนก่อน นักวิจัยรายหนึ่งได้เริ่มโครงการศึกษาเกี่ยวกับระบบการเรียนรู้แบบกระจาย (Federated Learning) หลังจากได้รับการติดต่อจากตัวแทนในกลุ่มอุตสาหกรรมการผลิต เพื่อแก้โจทย์ความท้าทายในการสร้างระบบที่อนุญาตให้ผู้ผลิตที่เป็นคู่แข่งกัน สามารถเรียนรู้ร่วมกันเกี่ยวกับกระแสวัสดุในระบบเศรษฐกิจหมุนเวียน (Circular Economy) ได้ โดยที่แต่ละฝ่ายไม่ต้องเปิดเผยข้อมูลการผลิตที่เป็นความลับของตนเอง นอกจากนี้ หน่วยงานกำกับดูแลยังต้องการตรวจสอบการตัดสินใจของโมเดลได้ โดยไม่ต้องเห็นข้อมูลพื้นฐานเช่นกัน
จากการศึกษาพบว่าระบบการเรียนรู้แบบกระจายทั่วไป (Vanilla FedAvg) ไม่ตอบโจทย์ความต้องการในด้านปริมาณการสื่อสารที่สูง การสร้างตัวแทนข้อมูลที่ปิดทึบ และไม่มีกลไกการตรวจสอบจากภายนอก ทำให้นักวิจัยหันมาใช้แนวคิดการเรียนรู้แบบกระจายความหนาแน่นต่ำ (Sparse Representation Learning) เป็นรากฐานสำคัญ เนื่องจากความหนาแน่นต่ำนี้ช่วยลดปริมาณการสื่อสาร บีบให้โมเดลจดจ่อกับฟีเจอร์ที่สำคัญที่สุด และสร้างพื้นผิวสำหรับการตรวจสอบที่ง่ายขึ้น เพราะสามารถตรวจสอบได้ว่ามิติแฝงใดบ้างถูกเปิดใช้งานสำหรับการอ้างสิทธิ์ในกระบวนการผลิต
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การนำแนวคิด Sparse Federated Learning มาประยุกต์ใช้กับห่วงโซ่อุปทานหมุนเวียน (Circular Manufacturing Supply Chains) ถือเป็นก้าวสำคัญในการผสานรวมเทคโนโลยีปัญญาประดิษฐ์เข้ากับกฎระเบียบด้านสิ่งแวดล้อมและความยั่งยืน โดยในอดีตอุตสาหกรรมการผลิตมักประสบปัญหาการแบ่งปันข้อมูลระหว่างกันเนื่องจากความกังวลเรื่องความลับทางการค้า การใช้เทคนิคการเข้ารหัสร่วมกับการเรียนรู้แบบกระจายจึงช่วยลายเส้นแบ่งระหว่างความเป็นส่วนตัวและการตรวจสอบย้อนกลับได้อย่างลงตัว
ในการทดลอง นักพัฒนาได้ใช้ภาษา Python ร่วมกับ PyTorch โดยสร้างลูปการทำงานแบบกระจายน้ำหนักขนาดเบา พร้อมกับพัฒนาฟังก์ชัน SparseEncoder เพื่อจำกัดการทำงานของมิติแฝงให้อยู่ในระดับ top-k ซึ่งช่วยป้องกันไม่ให้เกรเดียนต์หายในมิติที่ไม่ได้ถูกใช้งาน และหลังจากรอบการฝึกแต่ละรอบ เซิร์ฟเวอร์จะทำการเผยแพร่การผูกมัด (Commitment) ของพารามิเตอร์และสถิติการทำงาน เพื่อให้ผู้ตรวจสอบสามารถยืนยันความถูกต้องได้
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น