Google Research ย้าย Federated Learning สู่ TEEs
Google Research พัฒนาระบบ Federated Learning ย้ายการประมวลผลไปที่ TEEs ฝั่งเซิร์ฟเวอร์ พร้อมใช้ Gboard ในภาษาอังกฤษและญี่ปุ่น
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Google Research ย้ายการคำนวณกราเดียนต์จากมือถือสู่เซิร์ฟเวอร์ TEEs
- เผยแพร่นโยบายการเข้าถึงผ่าน Sigstore Rekor log เพื่อความโปร่งใส
- Gboard ในภาษาอังกฤษและญี่ปุ่นเริ่มใช้งานระบบนี้แล้วสำหรับการทำนายคำถัดไป
Google Research ได้ประกาศความสำเร็จครั้งสำคัญในการยกระดับความปลอดภัยและความเป็นส่วนตัวของผู้ใช้งาน ด้วยการพัฒนาระบบ Federated Learning รูปแบบใหม่ ซึ่งเปลี่ยนจากการประมวลผลและการคำนวณกราเดียนต์บนอุปกรณ์มือถือของผู้ใช้ ไปเป็นการประมวลผลภายใน Trusted Execution Environments (TEEs) ฝั่งเซิร์ฟเวอร์ที่มีการรับรองความปลอดภัยอย่างรัดกุม
แนวทางปฏิวัติใหม่นี้ช่วยให้การดำเนินงานมีความโปร่งใสสูงสุด โดยนโยบายการเข้าถึงทั้งหมดจะถูกเผยแพร่อย่างเป็นสาธารณะไปยัง Sigstore Rekor log นอกจากนี้ ไบนารีของระบบยังถูกออกแบบมาให้สามารถสร้างขึ้นใหม่ได้อย่างแม่นยำ (reproducibly buildable) ทำให้บุคคลภายนอกสามารถตรวจสอบกระบวนการทำลายความเป็นส่วนตัวแบบ Differential Privacy จากส่วนกลางได้อย่างอิสระ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในปัจจุบัน ฟีเจอร์ดังกล่าวไม่ได้เป็นเพียงแค่แนวคิดทางทฤษฎีอีกต่อไป แต่ได้ถูกนำมาใช้งานจริงแล้วบนแป้นพิมพ์อัจฉริยะ Gboard สำหรับการทำนายคำถัดไป (next-word prediction) ในภาษาอังกฤษและภาษาญี่ปุ่น ซึ่งช่วยให้ผู้ใช้ได้รับประสบการณ์การพิมพ์ที่รวดเร็วและแม่นยำยิ่งขึ้น พร้อมกับความมั่นใจว่าข้อมูลส่วนตัวจะได้รับการปกป้องอย่างเข้มงวดสูงสุดภายใต้มาตรฐานการตรวจสอบภายนอก
การผสานรวมระหว่าง Federated Learning และ Trusted Execution Environments (TEEs) ถือเป็นก้าวสำคัญที่ช่วยแก้ปัญหาคลาสสิกเรื่องความโปร่งใสในระบบ AI แบบกระจายศูนย์ โดยปกติแล้วการฝึกโมเดลบนเซิร์ฟเวอร์มักทำให้ผู้ใช้กังวลเรื่องการเข้าถึงข้อมูลดิบ แต่การใช้ TEEs ร่วมกับ Sigstore Rekor log ช่วยให้การตรวจสอบกระบวนการทำงานทำได้โดยไม่ต้องเปิดเผยข้อมูลส่วนบุคคลของผู้ใช้งานจริง
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น