Все категории

Модели

вы модель/фотомодель? вас ищут в этом разделе!

4 234 объявления найдено за последние 3 дня

Здесь показаны примеры поиска клиентов недельной давности.

Подписывайся, чтобы получать информацию обо всех новых клиентах в режиме реального времени!

10 февраля 15:02

10 февраля 02:01

10 февраля 03:40

10 февраля 03:47

Как 750 миллионов человек тренируют ИИ каждый день, не подозревая об этом Мы когда-то предполагали, что ИИ должен наблюдать за нами, чтобы учиться. Федеративное обучение доказывает обратное – и сегодня мы увидим, как это работает, через простые диаграммы.Прямо сейчас, пока вы это читаете, клавиатура на вашем смартфоне тихо становится умнее.Я не сказала "учится", я сказала "становится умнее". Есть разница.Работающая на ИИ и машинном обучении, клавиатура вашего телефона учится на том, как вы печатаете, отслеживая часто используемые слова, поток предложений и даже эмодзи, которые вы добавляете не задумываясь. Со временем она становится настолько точной, что может предсказать, напечатаете ли вы "Вообще-то" или "кстати", прежде чем вы закончите мысль. Это выходит за рамки простого статистического сопоставления паттернов, которое часто предполагается в таких функциях, как Smart Compose.А теперь другая часть: Google не имеет доступа к содержанию каких-либо сообщений, которые мы печатаем.Постойте! Что?Не видя, что вы печатаете, как ИИ улавливает ваши привычки набора текста? Это всё равно что сказать, что вы можете стать концертным пианистом, никогда не слышав музыки, или мастером-поваром, никогда не пробуя еду. Это не должно быть возможным.Однако каждый день 750 миллионов пользователей Gboard получают персонализированные предсказания, основанные на их собственных паттернах печати – и всё это без отправки единого сообщения на серверы Google.Это не маркетинговая болтовня. Федеративное обучение – это технологическая инновация, которая незаметно перевернула традиционную парадигму обучения ИИ.Давайте рассмотрим что-то, что мы все сейчас считаем совершенно нормальным.Когда Netflix говорит вам "вам может понравиться это шоу", это не магия. Каждый раз, когда вы что-то смотрите, ставите эпизод на паузу, останавливаетесь на полпути или даже задерживаете курсор на названии на пару секунд – эта информация отправляется обратно в Netflix. Вся она. Со временем это создаёт довольно детальную картину того, как вы смотрите телевизор, а не просто что вы смотрите.Они делают это для каждого пользователя. Затем они смешивают всё это поведение вместе и используют для обучения рекомендательной системы. Вот почему вы видите предложения вроде "Поскольку вы смотрели Древние, вам может понравиться Наследие".Spotify работает так же. Amazon тоже. Почти каждый сервис, который заявляет о "персонализации" вашего опыта. Сделка проста: вы отдаёте им свои данные, а они дают вам удобство. Вы так привыкли к этому обмену, что он практически не регистрируется.Обратная идея, которая на самом деле работаетВ 2016 году команда исследователей Google задала обманчиво простой вопрос: А что, если мы перевернём всё с ног на голову?Вместо того чтобы приносить данные к модели, что если мы принесём модель к данным?Традиционный ИИ похож на шеф-повара, который требует, чтобы каждый домашний повар в городе принёс свои ингредиенты в его ресторан. Он изучает всё, ведёт подробные записи о том, что у каждого есть, и использует все эти ингредиенты для совершенствования своих рецептов. Он учится, но он также точно знает, что было в вашей кладовой.Федеративное обучение – другое. Шеф-повар публикует свой текущий рецепт. Каждый домашний повар пробует его на своей кухне, делает небольшие улучшения на основе своих собственных ингредиентов и вкуса, затем отправляет обратно заметки: "Добавьте щепотку соли" или "Уменьшите время приготовления на 3 минуты". Повар никогда не видит, что у вас на кухне – он просто получает сотни небольших корректировок рецепта, объединяет их и публикует улучшенную версию.Парадокс приватности в здравоохраненииПредположим, вы работаете врачом в бостонской больнице. Используя многолетние данные пациентов, вы создали модель ИИ, которая может выявлять пациентов с высоким риском сердечных приступов. Она чрезвычайно точна и имеет потенциал спасти тысячи жизней. Допустим, больница в Токио хочет использовать ваши наработки для улучшения своей модели, и вы также хотите учиться на их данных.Вы не можете. Это противозаконно. GDPR в Европе, правила HIPAA в США и аналогичные законы по всему миру говорят одно и то же: данные пациентов не могут покинуть больницу. Закон ясен, даже если обе больницы хотят сотрудничать и это спасло бы жизни. Информация остаётся неизменной.Это делает вещи невозможными. Для эффективного обучения ИИ требуются разнообразные данные. Однако законы (справедливо) запрещают собирать данные в одном месте. Прогресс останавливается.Если только мы не применим технику вроде федеративного обучения.Как ваш телефон учится без шпионажа: рабочий процессДавайте пройдёмся точно по тому, как это работает на практике, шаг за шагом:Как обучать модели машинного обучения на приватных данных, никогда не собирая эти данные – это очень конкретная проблема, которую федеративное обучение стремится решить.Ослабление правил конфиденциальности или создание новых юридических лазеек – не ответы. Цель – изменить среду, в которой происходит обучение.Сервер отправляет общую модель на устройства пользователей, а не собирает данные всех на центральном сервере. После этого каждое устройство обучает эту модель локально, используя свои собственные приватные данные. Только обучение покидает устройство, не данные.На практике рабочий процесс выглядит так:Сервер отправляет начальную модель на множество устройств. Каждое участвующее устройство получает одну и ту же стартовую модель.Каждое устройство обучает модель на своих собственных приватных данных. Сообщения, фотографии, голосовые клипы и другая чувствительная информация остаются полностью на устройстве.Обратно отправляются только обновления модели – не сырые данные. Устройства возвращают небольшие, абстрактные обновления, которые описывают, как модель должна измениться, а не что содержали данные.Сервер агрегирует эти обновления в новую глобальную модель. Индивидуальные вклады объединяются, усредняются и анонимизируются для создания улучшенной версии модели.Эта процедура повторяется многократно. Без просмотра каких-либо пользовательских данных глобальная модель становится лучше с каждым циклом.Как работает агрегация: Что-то тонкое происходит, когда сервер агрегирует обновления от тысяч устройств. В то время как общие структуры усиливаются, индивидуальные особенности и личные привычки взаимно нейтрализуются. Единичная опечатка превращается в статистический шум. Общие паттерны сохраняются. Когда многочисленные независимые наблюдения усредняются вместе, появляются последовательные паттерны – вот почему модель сходится, а не потому, что она видела чьи-то данные.Тот факт, что каждый участник сохраняет полное владение своими данными, – вот что делает эту стратегию столь эффективной. Каждое устройство использует свой собственный набор данных для обучения; он никогда не загружается, не изучается и не хранится где-либо ещё. Однако в совокупности этих дискретных обучающих сигналов достаточно для обучения чрезвычайно точных моделей.Есть дополнительное, часто игнорируемое преимущество. Большая часть вычислительной работы передаётся на устройства пользователей через федеративное обучение. Следовательно, большая вычислительная инфраструктура, необходимая для централизованного обучения, больше не нужна центральному серверу. Вместо того чтобы быть сконцентрированным, интеллект распределён.Основной принцип федеративного обучения: "учиться везде, не собирать нигде".Шесть уровней защиты, которых вы никогда не видитеДавайте не будем предполагать ни на секунду, что только потому, что вы не загружаете свои данные на чужой сервер, вы в безопасности. Хакеры всё ещё потенциально могут восстановить данные на основе этих градиентных обновлений и увидеть что-то из паттернов в этих числах.При этом федеративное обучение имеет шесть различных защит, каждая из которых помогает защититься от разного типа атак. Эти защиты работают вместе таким образом, что атакующий должен пробить все шесть, чтобы получить доступ к защищённым данным.1. Локальное обучениеЛегко увидеть, насколько важен этот начальный щит: всё обучается на вашем устройстве – на вашем телефоне, ноутбуке или умном устройстве, где бы ни находилась модель, там она и обучается. Сырые данные (такие как ваши сообщения, фотографии или голосовые клипы) не включены в обучающий пайплайн, который соединяется с интернетом.Это не просто лучшая практика, это фундамент: если данные никогда не покидают устройство, их невозможно перехватить, украсть или раскрыть во время передачи.2. Отсечение градиентовДопустим, кто-то постоянно вводит необычную фразу с высокой частотой. Если они отправят свои градиентные обновления модели как есть, без изменений, они окажут несоразмерное влияние на глобальную модель. Кроме того, аналитик, просматривающий все агрегированные градиентные обновления, может заметить этот уникальный паттерн и заключить, что пользователь набрал эту фразу тысячи раз, чтобы отравить модель.Чтобы решить эту проблему, было внедрено отсечение градиентов для предотвращения этой проблемы. С отсечением градиентов градиентное обновление каждого пользователя ограничено фиксированным количеством (думайте об этом как о том, что "я могу сильно что-то чувствовать, но в этой системе мой голос никогда не будет считаться больше чем X"). В результате это ограничивает вклад любого отдельного пользователя от подавления влияния множества пользователей, тем самым значительно сокращая поверхность атаки для возможной реконструкции уникальной фразы(фраз), используемой атакующим.3. Безопасная агрегацияОтдельные градиентные обновления могут всё ещё раскрывать информацию даже с отсечением. Поэтому метод, известный как безопасная агрегация, используется для их шифрования перед передачей.Ваш телефон шифрует свои градиенты, используя ключ, который может быть использован только в сочетании с ключами от сотен других телефонов, что делает этот процесс уникальным. Все эти зашифрованные обновления отправляются на сервер, который может вычислить среднее значение, но не может расшифровать какой-либо из индивидуальных вкладов.Подобно тайному голосованию, даже если вы тот, кто считает, вы можете видеть только общее количество поданных голосов.Тщательно откалиброванный случайный шум добавляется к данным дифференциальной приватностью. Это точно рассчитанный шум, а не случайный хаос, к...

9 февраля 17:12

9 февраля 17:13

Санкт-Петербург; Россия, Москва

9 февраля 17:29

9 февраля 20:38

Россия, Владимир; Россия, Москва; Россия, Веселое

Подписывайся, чтобы получать информацию обо всех новых клиентах в режиме реального времени!

Попробовать бесплатно