Federated Learning for Secure AI Collaboration

• Podstawowe zrozumienie koncepcji uczenia maszynowego
• Znajomość podstaw prywatności i bezpieczeństwa danych

Odbiorcy

• Naukowcy zajmujący się danymi i sztuczną inteligencją koncentrujący się na uczeniu maszynowym z zachowaniem prywatności
• Specjaliści ds. opieki zdrowotnej i finansów zajmujący się wrażliwymi danymi
• Menedżerowie IT i ds. zgodności zainteresowani bezpiecznymi metodami współpracy w zakresie sztucznej inteligencji

Federated Learning (FL) to podejście do trenowania modeli uczenia maszynowego na wielu zdecentralizowanych urządzeniach lub serwerach przechowujących lokalne próbki danych, bez ich wymiany. To rozproszone podejście do trenowania modeli przy jednoczesnym zachowaniu prywatności danych jest szczególnie cenne w sektorach z wrażliwymi danymi, takimi jak opieka zdrowotna i finanse. Umożliwiając bezpieczną współpracę w zakresie sztucznej inteligencji, federacyjne uczenie się ułatwia solidny rozwój modeli, jednocześnie chroniąc prywatność osób i spełniając standardy zgodności z przepisami.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średniozaawansowanych specjalistów ds. sztucznej inteligencji i danych, którzy chcą zrozumieć i wdrożyć techniki uczenia federacyjnego w celu zachowania prywatności uczenia maszynowego i wspólnych rozwiązań sztucznej inteligencji w rozproszonych źródłach danych.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe pojęcia i korzyści płynące z uczenia federacyjnego.
• Wdrożyć rozproszone strategie szkoleniowe dla modeli AI.
• Zastosować techniki uczenia federacyjnego w celu zabezpieczenia współpracy wrażliwej na dane.
• Zapoznać się ze studiami przypadków i praktycznymi przykładami federacyjnego uczenia się w opiece zdrowotnej i finansach.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do Federated Learning

• Czym jest uczenie federacyjne i czym różni się od uczenia scentralizowanego?
• Zalety uczenia federacyjnego dla bezpiecznej współpracy AI
• Przypadki użycia i aplikacje w sektorach danych wrażliwych

Podstawowe komponenty Federated Learning

• Sfederowane dane, klienci i agregacja modeli
• Protokoły i aktualizacje Communication
• Obsługa heterogeniczności w środowiskach federacyjnych

Prywatność i bezpieczeństwo danych w Federated Learning

• Minimalizacja danych i zasady prywatności
• Techniki zabezpieczania aktualizacji modeli (np. prywatność różnicowa)
• Uczenie federacyjne zgodne z przepisami dotyczącymi ochrony danych

Wdrażanie Federated Learning

• Konfiguracja federacyjnego środowiska uczenia się
• Rozproszone szkolenie modeli z federacyjnymi ramami
• Rozważania dotyczące wydajności i dokładności

Federated Learning w opiece zdrowotnej

• Bezpieczne udostępnianie danych i kwestie prywatności w opiece zdrowotnej
• Współpracująca sztuczna inteligencja w badaniach medycznych i diagnostyce
• Studia przypadków: uczenie federacyjne w obrazowaniu medycznym i diagnostyce

Federated Learning w Finance

• Wykorzystanie federacyjnego uczenia się do bezpiecznego modelowania finansowego
• Wykrywanie oszustw i analiza ryzyka z wykorzystaniem podejścia federacyjnego
• Studia przypadków bezpiecznej współpracy w zakresie danych w instytucjach finansowych

Wyzwania i przyszłość Federated Learning

• Wyzwania techniczne i operacyjne w uczeniu federacyjnym
• Przyszłe trendy i postępy w sfederowanej sztucznej inteligencji
• Badanie możliwości federacyjnego uczenia się w różnych branżach

Podsumowanie i kolejne kroki