ยุคใหม่ของข้อมูลหมายถึงการโอบรับขอบ
ปัญญาประดิษฐ์ถือสัญญามหาศาล แต่เพื่อให้มีประสิทธิภาพ ปัญญาประดิษฐ์จะต้องเรียนรู้จากชุดข้อมูลขนาดใหญ่—และยิ่งมีความหลากหลายมากขึ้น ดีกว่า. ด้วยรูปแบบการเรียนรู้ เครื่องมือ AI สามารถเปิดเผยข้อมูลเชิงลึกและช่วยในการตัดสินใจ ไม่เพียงแต่ในด้านเทคโนโลยี แต่ยังรวมถึงเภสัชกรรม ยา การผลิต และอื่นๆ อย่างไรก็ตาม ข้อมูลไม่สามารถแชร์ได้ตลอดเวลา ไม่ว่าจะเป็นการระบุตัวบุคคล เก็บข้อมูลที่เป็นกรรมสิทธิ์ หรือจะทำเช่นนั้น จนถึงขณะนี้ อาจเป็นปัญหาด้านความปลอดภัย
“กำลังจะไป ให้เป็นยุคใหม่” Dr. Eng Lim Goh รองประธานอาวุโสและ CTO ของปัญญาประดิษฐ์ที่ Hewlett Packard Enterprise กล่าว “โลกจะเปลี่ยนจากที่ที่คุณมีข้อมูลแบบรวมศูนย์ สิ่งที่เราคุ้นเคยมานานหลายทศวรรษ เป็นที่ที่คุณต้องสบายใจเมื่อมีข้อมูลอยู่ทุกหนทุกแห่ง”
ข้อมูลทุกที่หมายถึง Edge ซึ่งแต่ละอุปกรณ์ เซิร์ฟเวอร์ และอินสแตนซ์คลาวด์รวบรวมข้อมูลจำนวนมหาศาล การประเมินหนึ่งมีจำนวนอุปกรณ์ที่เชื่อมต่อที่ขอบเพิ่มขึ้นเป็น 50 พันล้านภายในปี 2565 ปริศนา: วิธีรักษาความปลอดภัยของข้อมูลที่รวบรวมไว้ แต่ยังสามารถแบ่งปันการเรียนรู้จากข้อมูลซึ่งในทางกลับกันช่วยสอน AI ให้ฉลาดขึ้น เข้าสู่การเรียนรู้ฝูง
ลองพิจารณาตัวอย่างนี้ โก๊ะกล่าว “โรงพยาบาลแห่งหนึ่งฝึกโมเดลแมชชีนเลิร์นนิงในการเอ็กซ์เรย์ทรวงอก และพบผู้ป่วยวัณโรคจำนวนมาก แต่มีเคสที่ปอดยุบน้อยมาก ดังนั้น เมื่อฝึกแล้ว โมเดลโครงข่ายประสาทเทียมนี้จะมีความไวมากต่อสิ่งที่ตรวจพบวัณโรค และไวต่อการตรวจจับการยุบของปอดน้อยลง” Goh กล่าวต่อ “อย่างไรก็ตาม เราได้พูดคุยเรื่องนี้ในโรงพยาบาลอื่น ดังนั้นสิ่งที่คุณต้องการจริงๆ ก็คือให้โรงพยาบาลทั้งสองนี้รวมข้อมูลเข้าด้วยกัน เพื่อให้โมเดลโครงข่ายประสาทเทียมที่ได้นั้นสามารถทำนายทั้งสองสถานการณ์ได้ดีขึ้น แต่เนื่องจากคุณไม่สามารถแชร์ข้อมูลนั้นได้ swarm learning จึงเข้ามาช่วยลดอคติของทั้งสองโรงพยาบาล”
และนี่หมายความว่า “แต่ละโรงพยาบาลสามารถ ทำนายผลลัพธ์ได้อย่างแม่นยำและมีอคติลดลง ราวกับว่าคุณได้รวบรวมข้อมูลผู้ป่วยทั้งหมดจากทั่วโลกในที่เดียวและเรียนรู้จากข้อมูลนั้น” Goh.
และมันไม่ใช่ เพียงข้อมูลโรงพยาบาลและผู้ป่วยที่ต้องเก็บไว้อย่างปลอดภัย Goh เน้นย้ำว่า “สิ่งที่เรียนรู้จากฝูงคือพยายามหลีกเลี่ยงการแบ่งปันข้อมูลนั้น หรือป้องกันการแบ่งปันข้อมูลโดยสิ้นเชิง ที่ซึ่งคุณแบ่งปันข้อมูลเชิงลึก คุณแบ่งปันการเรียนรู้ และนั่นเป็นสาเหตุที่ทำให้มีความปลอดภัยโดยพื้นฐานมากขึ้น”
แสดงหมายเหตุและลิงก์:
Swarm Learning ให้ข้อมูลเชิงลึกในขณะที่ปกป้องอำนาจอธิปไตยของข้อมูลอย่างไร , Enterprise.nxt, 28 มิถุนายน 2564
ใบรับรองผลการเรียนฉบับเต็ม:
Laurel Ruma: จาก MIT Technology Review ฉัน ลอเรล รูมา. และนี่คือ Business Lab การแสดงที่ช่วยให้ผู้นำธุรกิจเข้าใจถึงเทคโนโลยีใหม่ๆ ที่ออกมาจากห้องทดลองและเข้าสู่ตลาด หัวข้อของเราในวันนี้คือข้อมูลที่กระจายอำนาจ ไม่ว่าจะเป็นจากอุปกรณ์ เซ็นเซอร์ รถยนต์ ขอบ ถ้าคุณต้องการ ปริมาณข้อมูลที่รวบรวมได้เพิ่มขึ้น อาจเป็นเรื่องส่วนตัวและต้องได้รับการคุ้มครอง แต่มีวิธีแบ่งปันข้อมูลเชิงลึกและอัลกอริทึมอย่างปลอดภัยเพื่อช่วยบริษัทและองค์กรอื่น ๆ หรือแม้แต่นักวิจัยวัคซีนหรือไม่?
สองคำสำหรับคุณ: การเรียนรู้แบบกลุ่ม
แขกของฉันคือ Dr. Eng Lim Goh ซึ่งเป็นรองประธานอาวุโสและ CTO ของปัญญาประดิษฐ์ที่ Hewlett Packard Enterprise ก่อนหน้าบทบาทนี้ เขาเป็น CTO เป็นเวลา 27 ปีที่ Silicon Graphics ซึ่งปัจจุบันเป็นบริษัท HPE Dr. Goh ได้รับรางวัล Exceptional Technology Achievement Medal จาก NASA สำหรับผลงานด้าน AI ในสถานีอวกาศนานาชาติ เขายังทำงานในโครงการวิจัยปัญญาประดิษฐ์มากมายตั้งแต่การแข่งรถ F1 ไปจนถึงโป๊กเกอร์บอท ไปจนถึงการจำลองสมอง Dr. Goh ถือสิทธิบัตรจำนวนหนึ่งและมีพื้นที่ตีพิมพ์บนหน้าปกของ Nature Business Lab ในตอนนี้จัดทำขึ้นร่วมกับ Hewlett Packard Enterprise ยินดีต้อนรับ Dr. Goh.
ดร. Eng Lim Goh: ขอบคุณที่มีฉัน.
ลอเรล: งั้นเรามาเริ่มกันใหม่ ทศวรรษที่มีการระบาดใหญ่ทั่วโลก ความเร่งด่วนในการค้นหาวัคซีนทำให้มีการแบ่งปันข้อมูลระหว่างนักวิจัย รัฐบาล และบริษัทต่างๆ ได้มากขึ้น ตัวอย่างเช่น องค์การอนามัยโลกได้เผยแพร่ลำดับ mRNA ของวัคซีนไฟเซอร์สู่สาธารณะเพื่อช่วยนักวิจัย คุณคิดอย่างไรเกี่ยวกับโอกาสเช่นนี้ที่ออกมาจากการระบาดใหญ่?
Eng Lim: ในสาขาวิทยาศาสตร์และการแพทย์และอื่นๆ การแบ่งปันสิ่งที่ค้นพบเป็นส่วนสำคัญของการพัฒนาวิทยาศาสตร์ ดังนั้นวิธีดั้งเดิมก็คือการตีพิมพ์ สิ่งนี้คือในปีครึ่งของ covid-19 มีสิ่งพิมพ์ที่เกี่ยวข้องกับ covid-19 เพิ่มขึ้น ตัวอย่างเช่น ผู้รวบรวมรายหนึ่งมีคำสั่งซื้อเอกสารที่เกี่ยวข้องกับโควิด-19 จำนวน 300,000 รายการ มันยากขึ้นเพราะจำนวนข้อมูลที่จะได้ในสิ่งที่คุณต้องการ
ดังนั้น บริษัท องค์กรจำนวนหนึ่งจึงเริ่มสร้างการประมวลผลภาษาธรรมชาติเหล่านี้ เครื่องมือ เครื่องมือ AI ที่ให้คุณถามคำถามที่เจาะจงมาก ไม่ใช่แค่ค้นหาคำสำคัญ แต่คำถามเฉพาะเจาะจงมาก เพื่อให้คุณได้คำตอบที่ต้องการจากคลังเอกสารที่มีอยู่ นักวิทยาศาสตร์อาจถาม หรือนักวิจัยอาจถาม พลังงานยึดเหนี่ยวของโปรตีนขัดขวาง SARS-CoV-2 กับตัวรับ ACE-2 ของเราคืออะไร และเจาะจงยิ่งขึ้นไปอีกว่า อยากได้เป็นหน่วย kcal ต่อโมล และระบบก็จะผ่านไป ระบบ NLP จะผ่านคลังเอกสารนี้และได้คำตอบเฉพาะสำหรับคำถามนั้น และชี้ไปที่พื้นที่ของเอกสารซึ่งคำตอบนั้นอาจเป็นได้ นี่จึงเป็นพื้นที่หนึ่ง เพื่อช่วยในการแบ่งปัน คุณสามารถสร้างเครื่องมือ AI เพื่อช่วยให้ผ่านข้อมูลจำนวนมหาศาลที่ถูกสร้างขึ้น
ส่วนอื่น ๆ ของการแบ่งปันคือการแบ่งปันการทดลองทางคลินิก ข้อมูลตามที่คุณได้กล่าวมา เมื่อต้นปีที่แล้ว ก่อนการทดลองทางคลินิกวัคซีน SARS-CoV-2 ใด ๆ ที่เริ่มต้น เราได้รับข้อมูลการทดลองทางคลินิกเกี่ยวกับวัคซีนไข้เหลือง และโดยเฉพาะอย่างยิ่ง ข้อมูลการแสดงออกของยีนจากอาสาสมัครของการทดลองทางคลินิก และหนึ่งในเป้าหมายคือ คุณสามารถวิเคราะห์ยีนจำนวนนับหมื่นที่แสดงออกโดยอาสาสมัครและช่วยทำนายสำหรับอาสาสมัครแต่ละคนได้ไหม เขาหรือเธอจะได้รับผลข้างเคียงจากวัคซีนนี้หรือไม่ และเขาจะให้ การตอบสนองของแอนติบอดีต่อวัคซีนนี้ดีหรือไม่? ดังนั้นจงสร้างเครื่องมือทำนายโดยการแบ่งปันข้อมูลการทดลองทางคลินิกนี้ แม้ว่าจะไม่เปิดเผยชื่อและในทางที่จำกัดก็ตาม
ลอเรล: เมื่อเราพูดถึงการประมวลผลภาษาธรรมชาติ ฉันคิดว่าสองประเด็นที่เราได้นำมาจากตัวอย่างที่เฉพาะเจาะจงนั้นคือ คุณสามารถสร้างเครื่องมือ AI ที่ดีขึ้นเพื่อช่วยนักวิจัยได้ และยังช่วยสร้างเครื่องมือและแบบจำลองการทำนายอีกด้วย
Eng Lim : ใช่เลย.
ลอเรล: ดังนั้น เป็นตัวอย่างเฉพาะของสิ่งที่คุณเคยทำมา ในปีที่ผ่านมา นิตยสาร Nature ได้ตีพิมพ์บทความเกี่ยวกับวิธีที่การทำงานร่วมกันเพื่อข้อมูลเชิงลึกสามารถช่วยผู้มีส่วนได้ส่วนเสียเหล่านี้ โดยเฉพาะอย่างยิ่งในช่วงที่มีการระบาดใหญ่ คุณค้นพบอะไรระหว่างการทำงานนั้น?
Eng Lim: ใช่. สิ่งนี้เกี่ยวข้องกับจุดแบ่งปันที่คุณนำมาซึ่งวิธีการแบ่งปันการเรียนรู้เพื่อให้ชุมชนก้าวหน้าเร็วขึ้น สิ่งพิมพ์ ธรรมชาติ ที่คุณกล่าวถึง ชื่อว่า “Swarm Learning [for Decentralized and Confidential Clinical Machine Learning]” ลองใช้ตัวอย่างโรงพยาบาล มีโรงพยาบาลแห่งนี้ และเห็นผู้ป่วย ผู้ป่วยของโรงพยาบาล ในกลุ่มประชากรบางกลุ่ม และหากต้องการสร้างโมเดลแมชชีนเลิร์นนิงเพื่อคาดการณ์ตามข้อมูลผู้ป่วย เช่น ข้อมูลการสแกน CT ของผู้ป่วย เพื่อลองและคาดการณ์ผลลัพธ์บางอย่าง ปัญหาของการเรียนรู้แบบแยกส่วนแบบนี้คือ คุณเริ่มพัฒนาแบบจำลองผ่านการเรียนรู้ข้อมูลผู้ป่วยของคุณโดยอิงตามข้อมูลประชากรที่คุณเห็น หรืออคติกับเครื่องมือแพทย์ประเภทอื่นที่คุณมี
วิธีการแก้ปัญหานี้คือการรวบรวมข้อมูลจากโรงพยาบาลต่างๆ อาจมาจากภูมิภาคต่างๆ หรือ แม้กระทั่งประเทศต่างๆ จากนั้นรวมข้อมูลของโรงพยาบาลเหล่านี้ทั้งหมด แล้วฝึกโมเดลการเรียนรู้ของเครื่องกับข้อมูลที่รวมกัน ปัญหาคือความเป็นส่วนตัวของข้อมูลผู้ป่วยทำให้คุณไม่สามารถแชร์ข้อมูลนั้นได้ การเรียนรู้ของ Swarm เข้ามาเพื่อพยายามแก้ปัญหานี้ในสองวิธี หนึ่ง แทนที่จะรวบรวมข้อมูลจากโรงพยาบาลต่างๆ เหล่านี้ เราอนุญาตให้แต่ละโรงพยาบาลฝึกโมเดลแมชชีนเลิร์นนิงโดยใช้ข้อมูลผู้ป่วยส่วนตัวของตนเอง และในบางครั้ง บล็อกเชนก็เข้ามา นั่นเป็นวิธีที่สอง blockchain เข้ามาและรวบรวมการเรียนรู้ทั้งหมด ผมเน้น. การเรียนรู้ไม่ใช่ข้อมูลผู้ป่วย รวบรวมเฉพาะสิ่งที่เรียนรู้และรวมเข้ากับการเรียนรู้จากโรงพยาบาลอื่นในภูมิภาคอื่นและประเทศอื่น ๆ เฉลี่ยแล้วส่งกลับไปที่โรงพยาบาลทั้งหมดซึ่งเป็นการเรียนรู้เฉลี่ยรวมทั่วโลกที่อัปเดตแล้ว
และจากการเรียนรู้ ฉันหมายถึงพารามิเตอร์ เช่น ของน้ำหนักโครงข่ายประสาทเทียม พารามิเตอร์ที่เป็นน้ำหนักโครงข่ายประสาทเทียมในโมเดลการเรียนรู้ของเครื่อง ดังนั้นในกรณีนี้ ข้อมูลผู้ป่วยจะไม่ออกจากโรงพยาบาลแต่ละแห่ง สิ่งที่ออกจากโรงพยาบาลคือการเรียนรู้ พารามิเตอร์ หรือน้ำหนักโครงข่ายประสาทเท่านั้น ดังนั้น เมื่อคุณส่งพารามิเตอร์ที่เรียนรู้ในพื้นที่ และสิ่งที่คุณได้รับกลับมาจากบล็อคเชนคือพารามิเตอร์เฉลี่ยทั่วโลก จากนั้นคุณอัปเดตโมเดลของคุณด้วยค่าเฉลี่ยทั่วโลก จากนั้นคุณเรียนรู้ในท้องถิ่นอีกครั้ง หลังจากการแบ่งปันการเรียนรู้เหล่านี้สองถึงสามรอบ เราได้ทดสอบมัน แต่ละโรงพยาบาลสามารถคาดการณ์ได้อย่างแม่นยำและมีอคติลดลง ราวกับว่าคุณได้รวบรวมข้อมูลผู้ป่วยทั้งหมดทั่วโลกในที่เดียว และเรียนรู้จากข้อมูลนั้น
ลอเรล: และเหตุผลที่ใช้บล็อคเชนนั้นก็เพราะจริงๆ แล้วมันเป็นการเชื่อมต่อที่ปลอดภัยระหว่าง ต่างๆ ในกรณีนี้ เครื่องจักรถูกต้องหรือไม่
Eng Lim: มีเหตุผลสองประการ ใช่แล้ว ทำไมเราถึงใช้บล็อกเชน เหตุผลแรกคือความปลอดภัยของมัน และประการที่สอง เราสามารถเก็บข้อมูลนั้นเป็นส่วนตัวได้ เพราะในบล็อคเชนส่วนตัว เฉพาะผู้เข้าร่วม ผู้เข้าร่วมหลัก หรือผู้เข้าร่วมที่ผ่านการรับรองเท่านั้นที่ได้รับอนุญาตในบล็อคเชนนี้ ถึงตอนนี้ แม้ว่าบล็อคเชนจะถูกบุกรุก แต่สิ่งที่เห็นเท่านั้นคือน้ำหนักหรือพารามิเตอร์ของการเรียนรู้ ไม่ใช่ข้อมูลส่วนตัวของผู้ป่วย เพราะข้อมูลส่วนตัวของผู้ป่วยไม่ได้อยู่ในบล็อคเชน
และเหตุผลประการที่สองสำหรับการใช้บล็อคเชน ตรงกันข้ามกับการมีผู้รับฝากทรัพย์สินส่วนกลางที่รวบรวมพารามิเตอร์ของการเรียนรู้ เพราะเมื่อคุณแต่งตั้งผู้ดูแลซึ่งเป็นนิติบุคคลที่รวบรวมการเรียนรู้ทั้งหมดเหล่านี้ หากโรงพยาบาลแห่งใดแห่งหนึ่งกลายเป็นผู้ดูแลนั้น แสดงว่าคุณมีสถานการณ์ที่ผู้ดูแลที่ได้รับการแต่งตั้งนั้นมีข้อมูลมากกว่าส่วนที่เหลือ หรือมีความสามารถมากกว่าที่เหลือ ข้อมูลไม่มากนัก แต่มีความสามารถมากกว่าที่เหลือ ดังนั้นเพื่อให้มีการแบ่งปันที่เท่าเทียมกันมากขึ้น เราใช้บล็อคเชน และในระบบบล็อคเชน สิ่งที่ทำคือสุ่มเลือกผู้เข้าร่วมคนหนึ่งให้เป็นผู้รวบรวม เป็นผู้นำ เพื่อรวบรวมพารามิเตอร์ หาค่าเฉลี่ย และส่งกลับลงมา และในรอบถัดไปจะมีการสุ่มเลือกผู้เข้าร่วมรายอื่น
ลอเรล: งั้น มีสองจุดที่น่าสนใจที่นี่ หนึ่งคือ โครงการนี้ประสบความสำเร็จเพราะคุณไม่ได้ใช้ข้อมูลของคุณเองเท่านั้น คุณสามารถเลือกใช้ความสัมพันธ์นี้เพื่อใช้การเรียนรู้จากข้อมูลของนักวิจัยคนอื่นๆ ได้เช่นกัน ดังนั้น ที่ลดความลำเอียง นั่นคือปัญหาใหญ่ประเภทหนึ่งที่แก้ไขได้ แต่ยังรวมถึงประเด็นที่น่าสนใจอื่น ๆ เกี่ยวกับความเท่าเทียมและวิธีการที่อัลกอริธึมอาจมีความเท่าเทียมกันน้อยลงในบางครั้ง แต่เมื่อคุณมีอัลกอริธึมแบบสุ่มโดยเจตนาในบล็อคเชนที่กำหนดความเป็นผู้นำสำหรับการรวบรวมการเรียนรู้จากแต่ละเอนทิตี จะช่วยขจัดอคติที่อาจเกิดขึ้นได้เช่นกัน ถูกต้องไหม
Eng Lim: ใช่ ใช่ ๆ. สรุปยอดเยี่ยม ลอเรล จึงมีอคติประการแรก ซึ่งก็คือ หากคุณกำลังเรียนรู้แบบแยกส่วน โรงพยาบาลกำลังเรียนรู้ โมเดลโครงข่ายประสาทเทียม หรือโมเดลการเรียนรู้ด้วยเครื่อง โดยทั่วไป ของโรงพยาบาลกำลังเรียนรู้แบบแยกจากข้อมูลผู้ป่วยส่วนตัวเท่านั้น พวกเขาจะมีอคติโดยธรรมชาติต่อกลุ่มประชากรที่พวกเขาเห็น ตัวอย่างเช่น เรามีตัวอย่างที่โรงพยาบาลฝึกโมเดลแมชชีนเลิร์นนิงในการเอ็กซ์เรย์ทรวงอกและพบผู้ป่วยวัณโรคจำนวนมาก แต่กรณีปอดยุบน้อยมาก ดังนั้น โมเดลโครงข่ายประสาทเทียมนี้ เมื่อฝึกแล้ว จะมีความรู้สึกไวมาก ต่อสิ่งที่ตรวจพบวัณโรค และไวต่อการตรวจจับการยุบของปอดน้อยลง เป็นต้น อย่างไรก็ตาม เราได้พูดคุยกันในโรงพยาบาลอื่น ดังนั้นสิ่งที่คุณต้องการจริงๆ ก็คือให้โรงพยาบาลทั้งสองนี้รวมข้อมูลเข้าด้วยกัน เพื่อให้โมเดลโครงข่ายประสาทเทียมที่ได้นั้นสามารถทำนายทั้งสองสถานการณ์ได้ดีขึ้น แต่เนื่องจากคุณไม่สามารถแชร์ข้อมูลนั้นได้ swarm learning จึงเข้ามาช่วยลดอคติของทั้งสองโรงพยาบาล
ลอเรล: เอาล่ะ ดังนั้นเราจึงมีข้อมูลจำนวนมหาศาล และมันยังคงเติบโตแบบทวีคูณเมื่อ edge ซึ่งเป็นอุปกรณ์สร้างข้อมูล ระบบ หรือเซ็นเซอร์ขยายออกไป ดังนั้นข้อมูลที่กระจายอำนาจจะเปลี่ยนวิธีที่บริษัทต้องคิดเกี่ยวกับข้อมูลอย่างไร
Eng Lim: โอ้ นั่นเป็นคำถามที่ลึกซึ้ง มีประมาณการหนึ่งที่บอกว่าในปีหน้า ภายในปี 2022 จะมีอุปกรณ์เชื่อมต่อ 50 พันล้านเครื่องที่ขอบ และสิ่งนี้กำลังเติบโตอย่างรวดเร็ว และเรากำลังมาถึงจุดที่เรามีอุปกรณ์เชื่อมต่อโดยเฉลี่ยประมาณ 10 เครื่องที่อาจรวบรวมข้อมูล ต่อคน ในโลกนี้ จากสถานการณ์ดังกล่าว จุดศูนย์ถ่วงจะเปลี่ยนจากศูนย์ข้อมูลที่เป็นตำแหน่งหลักที่สร้างข้อมูลไปเป็นจุดศูนย์กลางของแรงโน้มถ่วงจะอยู่ที่ขอบในแง่ของตำแหน่งที่สร้างข้อมูล และสิ่งนี้จะเปลี่ยนพลวัตอย่างมากสำหรับองค์กร ดังนั้น คุณจะเห็นความต้องการอุปกรณ์เหล่านี้ที่มีอยู่ซึ่งข้อมูลจำนวนมหาศาลที่สร้างขึ้นที่ขอบด้วยอุปกรณ์เหล่านี้มากมายจนคุณจะไปถึงจุดที่คุณไม่สามารถรับหรือนำข้อมูลทั้งหมดกลับมาได้ สู่ระบบคลาวด์หรือดาต้าเซ็นเตอร์อีกต่อไป
แม้กับ 5G, 6G และอื่นๆ การเติบโตของข้อมูลจะแซงหน้าที่จะไปไกลกว่าการเติบโตของแบนด์วิดธ์ของความสามารถโทรคมนาคมใหม่เหล่านี้ ดังนั้น คุณจะไปถึงจุดที่คุณไม่มีทางเลือกอื่นนอกจากต้องผลักดันข้อมูลอัจฉริยะไปยังขอบ เพื่อให้คุณสามารถตัดสินใจได้ว่าข้อมูลใดที่จะย้ายกลับไปยังระบบคลาวด์หรือศูนย์ข้อมูล ดังนั้นมันจะเป็นยุคใหม่ โลกจะเปลี่ยนจากที่ที่คุณมีข้อมูลแบบรวมศูนย์ สิ่งที่เราคุ้นเคยมานานหลายทศวรรษ เป็นที่ที่คุณต้องสบายใจเมื่อมีข้อมูลอยู่ทุกหนทุกแห่ง และเมื่อเป็นกรณีนี้ คุณต้องทำการสื่อสารแบบ peer-to-peer มากขึ้น การทำงานร่วมกันแบบ peer-to-peer มากขึ้น การเรียนรู้แบบ peer-to-peer มากขึ้น
และ นั่นเป็นเหตุผลที่ว่าทำไมการเรียนรู้แบบกลุ่มจะมีความสำคัญมากขึ้นเรื่อยๆ เมื่อสิ่งนี้ดำเนินไป เนื่องจากจุดศูนย์ถ่วงเปลี่ยนจากจุดที่ข้อมูลถูกรวมศูนย์ ไปสู่ที่ที่มีข้อมูลอยู่ทุกหนทุกแห่ง
ลอเรล : คุณช่วยพูดเพิ่มเติมหน่อยได้ไหมว่าหน่วยสืบราชการลับของฝูงปลอดภัยจากการออกแบบได้อย่างไร กล่าวอีกนัยหนึ่ง ช่วยให้บริษัทต่างๆ แบ่งปันข้อมูลเชิงลึกจากการเรียนรู้ข้อมูลกับองค์กรภายนอก หรือแม้แต่ภายในกลุ่มในบริษัท แต่กลับไม่แชร์ข้อมูลจริง
Eng Lim: ใช่. โดยพื้นฐานแล้ว เมื่อเราต้องการเรียนรู้จากกันและกัน วิธีหนึ่งคือ เราแบ่งปันข้อมูลเพื่อให้เราแต่ละคนได้เรียนรู้จากกันและกัน สิ่งที่การเรียนรู้แบบกลุ่มทำคือพยายามหลีกเลี่ยงการแบ่งปันข้อมูลนั้นหรือป้องกันการแบ่งปันข้อมูลโดยสิ้นเชิงเพื่อ ที่ซึ่งคุณแบ่งปันข้อมูลเชิงลึก คุณแบ่งปันการเรียนรู้ และนั่นเป็นสาเหตุที่ทำให้มีความปลอดภัยโดยพื้นฐานมากขึ้น โดยใช้วิธีการนี้ โดยที่ข้อมูลจะยังคงเป็นส่วนตัวในสถานที่นั้นและจะไม่ทิ้งข้อมูลส่วนตัวนั้นไว้ สิ่งที่ทำให้เอกชนนั้นเป็นเพียงการเรียนรู้ และในกรณีนี้น้ำหนักโครงข่ายประสาทเทียมหรือค่าพารามิเตอร์ของการเรียนรู้เหล่านั้น
ตอนนี้มีคนกำลังค้นคว้าความสามารถในการอนุมานข้อมูลจากการเรียนรู้นั้น ยังอยู่ในขั้นตอนการวิจัย แต่เราพร้อมถ้ามันได้ผล และนั่นคือ ในบล็อกเชน เราทำการเข้ารหัสแบบโฮโมมอร์ฟของน้ำหนัก พารามิเตอร์ ของการเรียนรู้ โดย homomorphic เราหมายถึงเมื่อผู้นำที่ได้รับการแต่งตั้งรวบรวมน้ำหนักเหล่านี้ทั้งหมดแล้วจึงหาค่าเฉลี่ย คุณสามารถเฉลี่ยน้ำหนักเหล่านี้ในรูปแบบที่เข้ารหัส เพื่อที่ว่าถ้ามีคนสกัดกั้นบล็อคเชน พวกเขาจะเห็นการเรียนรู้ที่เข้ารหัส พวกเขาไม่เห็นการเรียนรู้ด้วยตนเอง แต่เรายังไม่ได้ดำเนินการดังกล่าว เนื่องจากเรายังไม่เห็นความจำเป็นจนกว่าจะถึงเวลานั้น เราจะเห็นว่าความสามารถในการย้อนกลับวิศวกรรมข้อมูลจากการเรียนรู้นั้นเป็นไปได้
ลอเรล: ดังนั้น เมื่อเรานึกถึงการเพิ่มกฎและกฎหมายเกี่ยวกับข้อมูล เช่น GDPR และ CCPA ของแคลิฟอร์เนีย จำเป็นต้องมีวิธีแก้ปัญหา เพื่อความเป็นส่วนตัว คุณเห็นว่าการเรียนรู้แบบกลุ่มเป็นหนึ่งในตัวเลือกที่เป็นไปได้เมื่อบริษัทต่างๆ มีข้อมูลเพิ่มขึ้นหรือไม่
Eng Lim: ใช่ เป็นตัวเลือก ประการแรก ถ้าอุปกรณ์ Edge จำเป็นต้องเรียนรู้จากกันและกัน การเรียนรู้แบบกลุ่มก็มีประโยชน์สำหรับมัน และข้อที่สอง ขณะที่คุณกำลังเรียนรู้ คุณไม่ต้องการให้ข้อมูลจากแต่ละเอนทิตีหรือผู้เข้าร่วมในการเรียนรู้แบบกลุ่มออกจากเอนทิตีนั้น ควรอยู่ในที่ที่มันอยู่เท่านั้น และสิ่งที่เหลือก็เป็นเพียงพารามิเตอร์และการเรียนรู้เท่านั้น คุณเห็นว่าไม่ใช่แค่ในสถานการณ์โรงพยาบาล แต่คุณเห็นว่าในด้านการเงิน แน่นอน บริษัทบัตรเครดิตไม่ต้องการเปิดเผยข้อมูลลูกค้าของตนกับบริษัทบัตรเครดิตคู่แข่งรายอื่น แต่พวกเขารู้ว่าการเรียนรู้ของโมเดลการเรียนรู้ของเครื่องในพื้นที่นั้นไม่อ่อนไหวต่อข้อมูลการฉ้อโกงเพราะพวกเขาไม่เห็นการฉ้อโกงประเภทต่างๆ ทั้งหมด บางทีพวกเขาอาจเห็นการฉ้อโกงแบบหนึ่ง แต่บริษัทบัตรเครดิตอื่นอาจเห็นการฉ้อโกงแบบอื่น
Swarm learning สามารถใช้ในที่นี้กับบริษัทบัตรเครดิตแต่ละแห่ง ทำให้ข้อมูลลูกค้าเป็นส่วนตัว ไม่มีการแชร์ข้อมูลนั้น แต่บล็อกเชนเข้ามาและแชร์การเรียนรู้ การเรียนรู้ข้อมูลการฉ้อโกง และรวบรวมการเรียนรู้ทั้งหมด เฉลี่ยแล้วคืนให้กับบริษัทบัตรเครดิตที่เข้าร่วมทั้งหมด นี่คือตัวอย่างหนึ่ง ธนาคารก็ทำได้เช่นกัน หุ่นยนต์อุตสาหกรรมก็ทำได้เช่นกัน
เรามีลูกค้ายานยนต์ที่มีหุ่นยนต์อุตสาหกรรมหลายหมื่นตัว แต่อยู่คนละประเทศ หุ่นยนต์อุตสาหกรรมในปัจจุบันปฏิบัติตามคำแนะนำ แต่ในหุ่นยนต์รุ่นต่อไปที่มี AI พวกเขาจะเรียนรู้ในท้องถิ่น เช่น เพื่อหลีกเลี่ยงข้อผิดพลาดบางอย่างและไม่ทำซ้ำ สิ่งที่คุณสามารถทำได้โดยใช้การเรียนรู้แบบกลุ่มคือ หากหุ่นยนต์เหล่านี้อยู่ในประเทศต่างๆ ที่คุณไม่สามารถแชร์ข้อมูลได้ ข้อมูลเซ็นเซอร์จากสภาพแวดล้อมในพื้นที่ข้ามพรมแดนของประเทศ แต่คุณได้รับอนุญาตให้แบ่งปันการเรียนรู้เพื่อหลีกเลี่ยงข้อผิดพลาดเหล่านี้ การเรียนรู้แบบกลุ่มสามารถ จึงนำมาประยุกต์ใช้ ตอนนี้คุณลองจินตนาการถึงกลุ่มหุ่นยนต์อุตสาหกรรมในประเทศต่างๆ แบ่งปันการเรียนรู้เพื่อไม่ให้เกิดความผิดพลาดซ้ำๆ
ใช่แล้ว ในองค์กร คุณสามารถดูแอปพลิเคชันต่างๆ ของ Swarm Learning ได้ การเงิน วิศวกรรมศาสตร์ และแน่นอน ในด้านการดูแลสุขภาพ ตามที่เราได้กล่าวมาแล้ว
ลอเรล: คุณคิดว่าบริษัทต่างๆ ต้องเริ่มคิดต่างเกี่ยวกับสถาปัตยกรรมข้อมูลจริงของตนอย่างไร เพื่อสนับสนุนความสามารถในการแบ่งปันข้อมูลเชิงลึกเหล่านี้ แต่ไม่สามารถแชร์ข้อมูลได้จริง
Eng Lim: ก่อนอื่นเราต้อง เพื่อให้สบายใจกับความจริงที่ว่าอุปกรณ์ที่เก็บรวบรวมข้อมูลจะขยายตัวเพิ่มขึ้น และพวกเขาจะอยู่ที่ขอบที่ข้อมูลแรกมาถึง ขอบอะไร? ขอบเป็นที่ที่คุณมีอุปกรณ์ และข้อมูลจะลงสู่ระบบอิเล็กทรอนิกส์ก่อน และถ้าคุณจินตนาการถึง 50 พันล้านในปีหน้า ตัวอย่างเช่น และเพิ่มขึ้น ในการประมาณการเดียว เราต้องสบายใจกับข้อเท็จจริงที่ว่าข้อมูลจะอยู่ทุกที่ และเพื่อออกแบบองค์กรของคุณ ออกแบบวิธีการใช้ข้อมูลของคุณ ออกแบบวิธีที่คุณเข้าถึงข้อมูลโดยคำนึงถึงแนวคิดนั้น กล่าวคือ ย้ายจากสิ่งที่เราคุ้นเคย นั่นคือข้อมูลจะถูกรวมศูนย์โดยส่วนใหญ่ไปยังที่ที่ข้อมูล มีอยู่ทุกที่ ดังนั้นวิธีที่คุณเข้าถึงข้อมูลจึงต้องแตกต่างออกไปในตอนนี้ ในตอนนี้คุณไม่สามารถนึกถึงการรวมข้อมูลทั้งหมด ดึงข้อมูลทั้งหมด แบ็คโฮข้อมูลทั้งหมดจากขอบไปยังตำแหน่งที่รวมศูนย์ แล้วจึงดำเนินการกับมัน เราอาจจำเป็นต้องเปลี่ยนไปใช้สถานการณ์ที่เรากำลังดำเนินการกับข้อมูล เรียนรู้จากข้อมูลในขณะที่ข้อมูลยังคงอยู่
ลอเรล: ดังนั้น เราคุยกันเรื่องการดูแลสุขภาพและการผลิต คุณยังนึกภาพแนวคิดใหญ่ ๆ ของเมืองอัจฉริยะและยานยนต์อัตโนมัติที่เข้ากับแนวคิดข่าวกรองฝูงได้อย่างไร
Eng Lim: ใช่ ใช่ ใช่ นี่เป็นสองรายการใหญ่โต และคล้ายกันมาก คุณคิดว่าเมืองอัจฉริยะ เต็มไปด้วยเซ็นเซอร์ เต็มไปด้วยอุปกรณ์ที่เชื่อมต่อ คุณนึกถึงรถยนต์ไร้คนขับ มีคนประมาณการไว้ว่าอุปกรณ์ตรวจจับ 300 เครื่องในรถยนต์ ทั้งหมดกำลังรวบรวมข้อมูล วิธีคิดที่คล้ายคลึงกันคือ ข้อมูลจะกระจายไปทุกที่ และรวบรวมแบบเรียลไทม์ที่อุปกรณ์ Edge เหล่านี้ สำหรับเมืองอัจฉริยะ อาจเป็นไฟถนนก็ได้ เราทำงานร่วมกับเมืองเดียวที่มีไฟถนน 200,000 ดวง และพวกเขาต้องการทำให้ไฟถนนทุกดวงฉลาด อย่างฉลาด ฉันหมายถึงความสามารถในการแนะนำการตัดสินใจหรือแม้กระทั่งการตัดสินใจ คุณมาถึงจุดที่อย่างที่ได้กล่าวไปแล้วว่า คุณไม่สามารถ backhaul ข้อมูลทั้งหมดตลอดเวลาไปยังศูนย์ข้อมูลและตัดสินใจได้หลังจากที่คุณทำการรวมเสร็จแล้ว หลายครั้งที่คุณต้องตัดสินใจว่าจะเก็บข้อมูลไว้ที่ใด ดังนั้น สิ่งต่างๆ จึงต้องฉลาดที่สุด อันดับหนึ่ง
และหากเราก้าวไปไกลกว่าการทำตามคำสั่งหรือดำเนินการกับโมเดลโครงข่ายประสาทเทียมที่เคยทำมา ผ่านการฝึกอบรมล่วงหน้าแล้วส่งไปที่ Edge คุณก้าวไปไกลกว่านั้นอีกก้าวหนึ่ง นั่นคือคุณต้องการให้อุปกรณ์ Edge เรียนรู้ด้วยตนเองจากข้อมูลที่รวบรวมไว้ อย่างไรก็ตาม เนื่องจากรู้ว่าข้อมูลที่รวบรวมมีอคติกับสิ่งที่พวกเขาเห็นเท่านั้น การเรียนรู้แบบกลุ่มจึงมีความจำเป็นแบบเพียร์ทูเพียร์เพื่อให้อุปกรณ์เหล่านี้เรียนรู้จากกันและกัน
ดังนั้น การเชื่อมต่อระหว่างกันนี้ การเชื่อมต่อระหว่างกันแบบเพียร์ทูเพียร์ของอุปกรณ์เอดจ์เหล่านี้ ทำให้เราต้องคิดใหม่หรือเปลี่ยนวิธีที่เราคิดเกี่ยวกับการประมวลผล ยกตัวอย่างรถยนต์อิสระสองคัน เราเรียกพวกเขาว่ารถยนต์ที่เชื่อมต่อเพื่อเริ่มต้น รถสองคันที่เชื่อมต่อกัน โดยคันหนึ่งอยู่ข้างหน้าอีก 300 หลาหรือ 300 เมตร ด้านหน้าที่มีเซ็นเซอร์จำนวนมากเช่นในโช้คอัพจะตรวจจับหลุมบ่อ และมันสามารถให้ข้อมูลที่รับรู้ได้ว่ามีหลุมโผล่ขึ้นมาที่รถด้านหลัง และถ้ารถที่อยู่ข้างหลังเปิดเครื่องเพื่อยอมรับสิ่งเหล่านี้โดยอัตโนมัติ หลุมบ่อนั้นก็จะปรากฏขึ้นบนแผงหน้าปัดของรถที่อยู่ด้านหลัง และรถที่อยู่ข้างหลังก็จ่ายเพียง 0.10 เซ็นต์สำหรับข้อมูลนั้นไปยังรถคันหน้า ในแบบเรียลไทม์โดยไม่จำเป็นต้องส่งข้อมูลทั้งหมดกลับไปยังตำแหน่งศูนย์กลางก่อนแล้วจึงส่งข้อมูลใหม่ไปที่รถด้านหลัง ดังนั้น คุณจึงต้องการให้เป็นแบบเพียร์ทูเพียร์ มากขึ้นเรื่อยๆ ฉันไม่ได้บอกว่าสิ่งนี้ถูกนำไปใช้แล้ว แต่สิ่งนี้ทำให้คุณมีความคิดว่าการคิดสามารถเปลี่ยนแปลงได้อย่างไรในอนาคต มีการแบ่งปันแบบ peer-to-peer มากขึ้นและการเรียนรู้แบบ peer-to-peer มากขึ้น
ลอเรล:
เมื่อคุณคิดว่าเราทำงานในอุตสาหกรรมเทคโนโลยีมานานแค่ไหนแล้ว ให้คิดว่าคำว่า peer-to-peer เป็นวลีกลับมาแล้ว ซึ่งมันเคยหมายถึงผู้คนหรือแม้แต่คอมพิวเตอร์ที่แชร์ข้อมูลต่างๆ ผ่านทางอินเทอร์เน็ต ตอนนี้เป็นอุปกรณ์และเซ็นเซอร์ที่ใช้ข้อมูลร่วมกัน ประเภทของคำจำกัดความที่แตกต่างกันของ peer-to-peer.
Eng Lim: ครับ ความคิดกำลังเปลี่ยนไป และเพียร์ คำว่าเพียร์ เพียร์ทูเพียร์ หมายความว่ามีความหมายแฝงของการแบ่งปันที่ยุติธรรมกว่าในนั้น นั่นคือ th เหตุผลบางประการที่จำเป็นต้องใช้บล็อกเชนในบางกรณี ดังนั้นจึงไม่มีผู้ดูแลส่วนกลางมาเฉลี่ยการเรียนรู้ เพื่อรวมการเรียนรู้เข้าด้วยกัน ดังนั้นคุณจึงต้องการสภาพแวดล้อมแบบเพียร์ทูเพียร์ที่แท้จริง และนั่นคือสิ่งที่สร้างมาเพื่อการเรียนรู้แบบกลุ่ม และตอนนี้ เหตุผลของสิ่งนั้น ไม่ใช่เพราะเรารู้สึกว่าเพื่อนต่อเพื่อนเป็นเรื่องใหญ่ถัดไป ดังนั้นเราจึงควรทำ เป็นเพราะข้อมูลและการแพร่กระจายของอุปกรณ์เหล่านี้ที่เก็บรวบรวมข้อมูล
ลองนึกภาพสิ่งเหล่านี้นับหมื่นล้านบนอุปกรณ์เหล่านี้และอุปกรณ์เหล่านี้ทุกเครื่องจะฉลาดขึ้น และใช้พลังงานน้อยลงเพื่อให้ฉลาดและย้ายจากที่ที่พวกเขาปฏิบัติตามคำแนะนำหรืออนุมานจากโมเดลโครงข่ายประสาทเทียมที่ได้รับการฝึกล่วงหน้าที่มอบให้กับพวกเขา ไปสู่รูปแบบที่พวกเขาสามารถก้าวไปสู่การเรียนรู้ด้วยตนเองได้ แต่เมื่อรู้ว่าอุปกรณ์เหล่านี้มีอยู่มากมาย ดังนั้นแต่ละเครื่องจึงมองเห็นเพียงส่วนเล็กๆ ขนาดเล็กยังคงใหญ่ถ้าคุณรวมมันเข้าด้วยกัน 50 พันล้านชิ้น แต่แต่ละคนเห็นข้อมูลเพียงเล็กน้อยเท่านั้น ดังนั้น หากพวกเขาเรียนรู้เพียงลำพัง พวกเขาจะลำเอียงอย่างมากต่อสิ่งที่พวกเขาเห็น ดังนั้นจึงต้องมีวิธีที่พวกเขาสามารถแบ่งปันการเรียนรู้โดยไม่ต้องแบ่งปันข้อมูลส่วนตัว ดังนั้นการเรียนรู้แบบฝูง แทนที่จะแบ็คฮอลข้อมูลทั้งหมดจากอุปกรณ์เอดจ์ 5 หมื่นล้านเครื่องกลับไปยังตำแหน่งบนคลาวด์เหล่านี้ ตำแหน่งของศูนย์ข้อมูล เพื่อให้สามารถเรียนรู้ร่วมกันได้
ลอเรล: ซึ่งจะมีราคามากกว่าเศษเสี้ยวเซ็นต์อย่างแน่นอน
Eng Lim: โอ้ใช่ มีคำกล่าวว่าแบนด์วิดธ์ที่คุณจ่ายไป แฝงคุณเหงื่อออก ดังนั้นจึงเป็นค่าใช้จ่าย แบนด์วิดท์มีค่าใช้จ่าย
ลอเรล: ในฐานะผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ ในขณะที่เรามีคุณอยู่ที่นี่ คุณตื่นเต้นกับอะไรมากที่สุดในอีกไม่กี่ปีข้างหน้า? คุณคิดว่าคุณกำลังคิดอะไรอยู่ มันจะเป็นเรื่องใหญ่ในอีก 5 หรือ 10 ปีข้างหน้า
Eng Lim:
ขอบคุณนะลอเรล ฉันไม่ได้มองว่าตัวเองเป็นผู้เชี่ยวชาญด้าน AI แต่เป็นคนที่ได้รับมอบหมายและรู้สึกตื่นเต้นกับการทำงานร่วมกับลูกค้าเกี่ยวกับกรณีการใช้งาน AI และเรียนรู้จากพวกเขา ความหลากหลายของกรณีการใช้งาน AI ที่แตกต่างกันเหล่านี้และการเรียนรู้จากพวกเขา – ทีมชั้นนำบางทีมทำงานโดยตรงในโครงการและดูแลบางโครงการ แต่ในแง่ของความตื่นเต้น จริงๆ แล้วอาจดูเหมือนเป็นเรื่องธรรมดา และนั่นคือ ส่วนที่น่าตื่นเต้นคือฉันเห็น AI ความสามารถของระบบอัจฉริยะในการเรียนรู้และปรับตัว และในหลายกรณี ยังให้การสนับสนุนการตัดสินใจแก่มนุษย์ และในกรณีที่มีข้อจำกัดอื่นๆ ให้ทำการตัดสินใจเพื่อสนับสนุนมนุษย์ การแพร่ขยายของ AI อยู่ในทุกสิ่งที่เราทำ หลายสิ่งที่เราทำ—บางสิ่งที่เราควรจำกัด—แต่ในหลาย ๆ สิ่งที่เราทำ
ฉันหมายถึง ใช้ ตัวอย่างพื้นฐานที่สุด ความก้าวหน้านี้จะเป็นอย่างไร มาลองสวิตช์ไฟกัน ในช่วงแรกๆ จนถึงทุกวันนี้ สวิตช์ไฟแบบพื้นฐานที่สุดคือสวิตช์แบบแมนนวล มนุษย์เดินไปข้างหน้า เปิดสวิตช์แล้วไฟก็สว่างขึ้น แล้วปิดสวิตซ์ไฟก็ดับ จากนั้นเราไปยังระดับถัดไป หากคุณต้องการการเปรียบเทียบ ระดับถัดไปที่เราเปลี่ยนโดยอัตโนมัติ เราใส่ชุดคำสั่งบนสวิตช์นั้นด้วยเครื่องวัดแสง และตั้งค่าคำแนะนำว่า ถ้าแสงในห้องนี้ลดลงเหลือ 25% ของจุดสูงสุด ให้เปิดสวิตช์ โดยพื้นฐานแล้ว เราได้ให้คำแนะนำพร้อมเซ็นเซอร์สำหรับสวิตช์ จากนั้นสวิตช์ก็ทำงานอัตโนมัติ จากนั้นเมื่อแสงสว่างในห้องลดลงเหลือ 25% ของแสงสว่างสูงสุด ไฟก็จะเปิดขึ้น ดังนั้นตอนนี้สวิตช์จึงเป็นแบบอัตโนมัติ
ตอนนี้เราสามารถก้าวไปอีกขั้นในระบบอัตโนมัตินั้นได้ ด้วยการทำให้สวิตช์ฉลาดขึ้น โดยที่สวิตช์นั้นสามารถมีเซ็นเซอร์ได้มากกว่า จากนั้นใช้เซ็นเซอร์ร่วมกัน ให้ตัดสินใจว่าจะเปิดสวิตช์ไฟหรือไม่ และการควบคุมเซ็นเซอร์เหล่านี้ทั้งหมด เราได้สร้างโมเดลโครงข่ายประสาทเทียมที่ได้รับการฝึกอบรมล่วงหน้าแยกจากกัน แล้วดาวน์โหลดลงบนสวิตช์ นี่คือที่ที่เราอยู่ทุกวันนี้ สวิตช์นั้นฉลาดแล้ว เมืองอัจฉริยะ ไฟถนนอัจฉริยะ รถยนต์ไร้คนขับ และอื่นๆ
ตอนนี้มีระดับอื่นอีกไหม มี. และนั่นคือเมื่อสวิตช์ไม่เพียงแค่ทำตามคำแนะนำหรือไม่ใช่แค่มีโมเดลโครงข่ายประสาทเทียมที่ได้รับการฝึกฝนมาเพื่อตัดสินใจรวมข้อมูลเซ็นเซอร์ต่างๆ เข้าด้วยกัน เพื่อตัดสินใจว่าเมื่อใดควรเปิดไฟด้วยวิธีที่แม่นยำยิ่งขึ้น มันก้าวหน้าไปอีกขั้นหนึ่งที่มันเรียนรู้ นั่นคือคำสำคัญ มันเรียนรู้จากความผิดพลาด จะมีตัวอย่างอย่างไร? ตัวอย่างจะเป็นตามโมเดลโครงข่ายประสาทเทียมที่ได้รับการฝึกอบรมมาก่อนหน้านี้ ดาวน์โหลดลงบนสวิตช์พร้อมการตั้งค่าทั้งหมด มันเปิดไฟ แต่เมื่อมนุษย์เข้ามา มนุษย์บอกว่าฉันไม่ต้องการไฟที่นี่ในเวลานี้ มนุษย์ปิดไฟ จากนั้นสวิตช์ก็ตระหนักว่าได้ตัดสินใจไปแล้วโดยที่มนุษย์ไม่ชอบ ดังนั้นหลังจากนี้บางส่วน ก็เริ่มปรับตัว เรียนรู้จากสิ่งเหล่านี้ ปรับตัวเพื่อให้คุณสามารถเปิดไฟตามความต้องการของมนุษย์ที่เปลี่ยนแปลงไป นั่นคือขั้นตอนต่อไปที่คุณต้องการให้อุปกรณ์ Edge ที่กำลังรวบรวมข้อมูลที่ Edge เรียนรู้จากสิ่งเหล่านั้น
แน่นอนว่าถ้าคุณทำต่อไป สวิตช์ทั้งหมด ในสำนักงานนี้หรือในหน่วยที่อยู่อาศัย เรียนรู้จากกันและกัน ที่จะเป็นฝูงเรียนรู้ ดังนั้น หากคุณขยายสวิตช์ไปใช้เครื่องปิ้งขนมปัง ตู้เย็น รถยนต์ หุ่นยนต์อุตสาหกรรม และอื่นๆ คุณจะเห็นว่าการทำเช่นนี้ เราจะลดการใช้พลังงาน ลดของเสีย และปรับปรุงประสิทธิภาพการทำงานได้อย่างชัดเจน แต่กุญแจสำคัญต้องเป็น เพื่อประโยชน์ของมนุษย์
ลอเรล: และเป็นวิธีที่ยอดเยี่ยมมาก เพื่อจบการสนทนาของเรา ขอบคุณมากสำหรับการเข้าร่วม Business Lab.
Eng Lim : ขอบคุณลอเรล ชื่นชมมาก.
ลอเรล: นั่นคือ Dr. Eng Lim Goh รองประธานอาวุโสและ CTO ของปัญญาประดิษฐ์ที่ Hewlett Packard Enterprise ซึ่งฉันพูดด้วยจากเคมบริดจ์ แมสซาชูเซตส์ บ้านของ MIT และ MIT Technology รีวิว มองเห็นแม่น้ำชาร์ลส์ เพียงเท่านี้สำหรับ Business Lab ในตอนนี้ ฉันเป็นผู้ดำเนินรายการของคุณ Laurel Ruma ฉันเป็นผู้อำนวยการ Insights แผนกเผยแพร่ที่กำหนดเองของ MIT Technology Review เราก่อตั้งขึ้นในปี พ.ศ. 2442 ที่สถาบันเทคโนโลยีแมสซาชูเซตส์ และคุณสามารถค้นหาเราในรูปแบบสิ่งพิมพ์ ทางเว็บ และที่งานต่างๆ ในแต่ละปีทั่วโลก สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเราและงานแสดง โปรดตรวจสอบเว็บไซต์ของเราที่ technologyreview.com รายการนี้มีให้ทุกที่ที่คุณได้รับพอดแคสต์ หากคุณชอบตอนนี้ เราหวังว่าคุณจะสละเวลาสักครู่เพื่อให้คะแนนและวิจารณ์เรา Business Lab คือการผลิตของ MIT Technology Review ตอนนี้ผลิตโดย Collective Next ขอบคุณที่รับฟัง
ตอนพอดคาสต์นี้จัดทำโดย Insights กำหนดเอง แขนเนื้อหาของ MIT Technology Review มันไม่ได้ผลิตโดยกองบรรณาธิการของ MIT Technology Review
- บ้าน
การดูแลสุขภาพ ไลฟ์สไตล์ เทค โลก อาหาร เกม การท่องเที่ยว
