การฝึกโมเดลไม่ได้จำเป็นต้องนำข้อมูลดิบทุกชุดมากองไว้ที่เดียวเสมอ Federated Learning เป็นแนวทางให้หลายอุปกรณ์หรือหลายหน่วยงานช่วยฝึกโมเดลร่วมกัน โดยข้อมูลฝึกยังอยู่ในพื้นที่ของแต่ละฝ่าย แต่แนวทางนี้ไม่ได้ทำให้เรื่องความเป็นส่วนตัวและคุณภาพข้อมูลหมดความสำคัญ
ส่งการปรับโมเดลแทนการรวมข้อมูลดิบ
Google Research อธิบาย Federated Learning ผ่านการฝึกบนอุปกรณ์และส่งการปรับปรุงโมเดลกลับมารวม แนวคิดหลักคือแยกการเรียนรู้ร่วมกันออกจากความจำเป็นต้องเก็บข้อมูลฝึกทั้งหมดไว้ในศูนย์กลาง
ภาพง่าย ๆ คือแต่ละฝ่ายรับโมเดลไปเรียนรู้จากข้อมูลของตน แล้วส่งผลการปรับกลับมา กระบวนการอาจเกิดหลายรอบ รายละเอียดจริงขึ้นกับระบบ ไม่ควรตีความว่าทุกวิธีส่งข้อมูลชนิดเดียวหรือใช้กฎรวมผลเหมือนกัน
ต่างจากใช้โมเดลบนเครื่องอย่างเดียว
การนำโมเดลที่ฝึกแล้วมาทำนายบนอุปกรณ์เป็นเรื่องการใช้งาน ส่วน Federated Learning พูดถึงกระบวนการฝึกร่วมกัน อุปกรณ์หนึ่งอาจใช้ทั้งสองแนวคิดได้ แต่การบอกว่า AI ทำงานบนเครื่องไม่ได้ยืนยันว่าฝึกแบบ federated
ความแตกต่างนี้สำคัญเวลาอ่านข้อเสนอเทคโนโลยี เพราะคำว่าไม่ส่งข้อมูลออกอาจหมายถึงเฉพาะบางขั้นตอน ต้องถามว่ามีอะไรถูกส่งจริง ส่งเมื่อใด และใครเข้าถึงผลที่ส่งได้
ข้อมูลแต่ละฝ่ายอาจไม่เหมือนกัน
บางอุปกรณ์มีข้อมูลมาก บางเครื่องมีน้อย และรูปแบบการใช้งานต่างกัน นอกจากนี้การเชื่อมต่อหรือกำลังประมวลผลอาจไม่พร้อมพร้อมกัน การฝึกจึงมีโจทย์มากกว่าการนำผลมาหาค่าเฉลี่ยง่าย ๆ
ตัวอย่างสมมติ หลายสาขาต้องการโมเดลช่วยจำแนกข้อความทั่วไป แต่แต่ละสาขาใช้คำต่างกัน ทีมต้องทดสอบผลแยกสาขา ไม่ดูเฉพาะคะแนนรวมที่อาจซ่อนว่าบางกลุ่มได้ผลไม่ดี
ไม่ใช่หลักประกันความเป็นส่วนตัวโดยลำพัง
การไม่รวมข้อมูลดิบช่วยเปลี่ยนเส้นทางข้อมูล แต่ผลการปรับโมเดลยังต้องได้รับการป้องกัน การควบคุมสิทธิ์ การรักษาความปลอดภัย และเทคนิคเสริมตามการออกแบบยังมีบทบาท ไม่ควรใช้คำว่าปลอดภัยแน่นอนเพียงเพราะใช้ชื่อวิธีนี้
ควรระบุขอบเขตการคุ้มครองให้ชัด รวมถึงผู้เข้าร่วมที่เชื่อถือได้และข้อมูลที่ระบบต้องใช้ การนำไปใช้งานจริงต้องตรวจข้อกำหนดด้านข้อมูลของบริบทนั้น ไม่ถือว่าเทคโนโลยีแทนการกำกับดูแลได้
เริ่มจากโจทย์ที่เหมาะกับความซับซ้อน
ถามก่อนว่าทำไมจึงไม่รวมข้อมูล มีข้อจำกัดใด และแต่ละฝ่ายพร้อมดูแลระบบหรือไม่ ทดลองด้วยข้อมูลที่ได้รับอนุญาตและกำหนดเกณฑ์คุณภาพกับต้นทุนการสื่อสารไว้ล่วงหน้า
Federated Learning มีคุณค่าเมื่อช่วยให้เกิดการเรียนรู้ร่วมกันภายใต้ข้อจำกัดที่ชัดเจน ไม่ใช่เพียงเพิ่มคำใหม่ในโครงการ AI การประเมินทั้งประสิทธิภาพ ความเสี่ยง และภาระดูแลจะช่วยให้รู้ว่าเหมาะกับงานจริงหรือไม่
