DIGITIMES Research：聯合學習分散式邊緣運算架構 可望解決敏感數據隱私問題

聯合學習(Federated Learning；FL)技術興起，以分散式運算架構，強調由用戶參與AI模型訓練且不需上傳數據，可望解決數據隱私問題。隨數據安全重要性攀升，Google提出FL技術，並應用於行動裝置已有成效，NVIDIA及中國大陸業者亦競相推出FL開發平台，協助企業用戶發展FL應用。儘管FL應用發展仍須克服不少現實挑戰，但由用戶共同參與而提升AI模型品質，有望同時解決數據隱私及AI訓練所需龐大數據的問題，以加快產業智慧化進展。

近來數據隱私安全意識高漲，世界各國紛紛制定嚴格的隱私規範，使得企業在取得發展AI所需數據時更加困難。Google提出FL方法，採分散式(decentralized)架構設計，讓用戶不需將數據集中傳送到特定伺服器中進行模型訓練，而利用本地數據在用戶端進行AI模型訓練後上傳，與其他用戶共享模型訓練成果，其共享模型而不需共享數據、共同優化AI模型成果的特性，引起產業關注。

FL架構最早是由Google AI研究人員於2015年底提出，2018年個資法通用數據保護條例(General Data Protection Regulation；GDPR)施行後，促使科技大廠跟進發表能確保用戶數據隱私的FL應用發展。Google將FL技術應用於行動裝置上的字詞預測App─Gboard，並與Facebook先後開源TensorFlow Federated (TFF)及PySyft FL框架，NVIDIA亦發表醫療及自駕車應用的FL開發資源，以協助企業加速導入能保護用戶隱私的FL應用。中國近年積極訂定數據隱私規範，使中國AI業者亦競相推出能解決數據隱私疑慮的FL應用方案，後續落地情形待觀察。不少新創業者也積極參與FL方案的開發，甚至成為大廠購併標的。

DIGITIMES Research分析師陳辰妃認為，數據隱私重要性不斷攀升而催生共享模型的FL技術發展，Google積極推動並大量應用於行動裝置，而FL方案受限主從式(client-server model)架構、用戶端數據型態差異大等因素，成企業發展FL應用需克服的挑戰。但隨FL分散式架構興起，用戶端裝置將分擔更多AI運算任務，可望加速AIoT發展，而透過用戶參與共同優化AI模型，也將加速AI產業發展進程。