Google Research បានប្រកាសប្រព័ន្ធសិក្សាសហព័ន្ធជំនាន់ក្រោយដែលបង្កើតឡើងនៅលើបរិស្ថានប្រតិបត្តិដែលគួរឱ្យទុកចិត្ត ហើយក្រុមកំពុងធ្វើការទាមទារដែលត្រូវបានច្រានចោលថាមិនអាចទៅដល់បានកាលពីប៉ុន្មានឆ្នាំមុន៖ ការធានាឯកជនភាពផ្នែកកណ្តាលដែលអាចផ្ទៀងផ្ទាត់បានពីខាងក្រៅសម្រាប់ការរៀនសូត្រសហព័ន្ធជាលើកដំបូង។ ប្រព័ន្ធដែលកំពុងត្រូវបានអនុវត្តចំពោះ Gboard ជំនួសការរៀបចំ "ជឿទុកចិត្តយើង" ដែលមានរយៈពេលយូរជាមួយនឹងការបញ្ជាក់អំពីគ្រីបគ្រីប និងកំណត់ហេតុសាធារណៈ ដែលសវនករខាងក្រៅអាចត្រួតពិនិត្យយ៉ាងពិតប្រាកដ។ សម្រាប់ការគ្របដណ្តប់ដែលកំពុងបន្តនៃការរៀនម៉ាស៊ីនដែលរក្សាភាពឯកជន សូមអនុវត្តតាម [ការវិវឌ្ឍន៍ AI ចុងក្រោយបំផុត] (https://aibuzzwire.news) របស់យើង។

គម្លាតនៃការជឿទុកចិត្តក្នុងការរៀនសហព័ន្ធ

Federated learning ដែល Google បានណែនាំក្នុងឆ្នាំ 2017 ត្រូវបានគេសន្មត់ថាដើម្បីដោះស្រាយបញ្ហាជាក់លាក់មួយ៖ របៀបបណ្តុះបណ្តាលគំរូមានប្រយោជន៍លើទិន្នន័យអ្នកប្រើប្រាស់ដោយមិនប្រមូលទិន្នន័យនោះជាកណ្តាល។ ជំនួសឱ្យការបង្ហោះឥរិយាបទវាយអក្សរឆៅទៅម៉ាស៊ីនមេ ឧបករណ៍គណនាការធ្វើបច្ចុប្បន្នភាពគំរូនៅក្នុងមូលដ្ឋាន ហើយរួមចំណែកតែការធ្វើបច្ចុប្បន្នភាពទាំងនោះប៉ុណ្ណោះ។ វិធីសាស្រ្តនេះផ្តល់ថាមពលយ៉ាងស្ងៀមស្ងាត់នូវបរិមាណដ៏គួរឱ្យកត់សម្គាល់នៃអ្វីដែលអ្នកប្រើប៉ះជារៀងរាល់ថ្ងៃ — ការទស្សន៍ទាយពាក្យបន្ទាប់ និងការសរសេរឆ្លាតវៃនៅក្នុង Gboard ឆ្លើយតបការផ្ដល់យោបល់នៅក្នុង Google សារ និងការជ្រើសរើសអត្ថបទឆ្លាតវៃនៅក្នុង Android ។

ប៉ុន្តែស្ថាបត្យកម្មដើមមានគម្លាតជឿទុកចិត្តនៅកណ្តាលរបស់វា។ ឧបករណ៍បានបង្ហោះទិន្នន័យរបស់ពួកគេសម្រាប់ការប្រមូលផ្តុំភ្លាមៗ ហើយអ្នកខាងក្រៅមិនមានវិធីដើម្បីផ្ទៀងផ្ទាត់ថាទិន្នន័យមិនត្រូវបានកត់ត្រាទុក រក្សាទុក ឬត្រួតពិនិត្យតាមផ្លូវនោះទេ។ អ្នកប្រើប្រាស់ត្រូវតែទទួលយកពាក្យរបស់ Google សម្រាប់អ្វីដែលបានកើតឡើងនៅខាងម៉ាស៊ីនមេ។ ក្រោយមកទៀត Secure Aggregation បានបន្ថែមការការពារការគ្រីប ដូច្នេះការរួមចំណែកនីមួយៗមិនអាចអានដោយឯកោបានទេ ប៉ុន្តែបច្ចេកទេសនោះមិនត្រូវគ្នាជាមួយក្បួនដោះស្រាយឯកជនភាពឌីផេរ៉ង់ស្យែលកណ្តាលដែលទំនើបបំផុត ដូចជាម៉ាទ្រីសកត្តាកំណត់ DP-FTRL ហើយវានៅតែបន្សល់ទុកការសន្មត់មួយដែលមិនត្រូវបានប៉ះពាល់៖ Google ត្រូវតែជឿជាក់ដើម្បីបន្ថែមសំឡេងឯកជនភាពឌីផេរ៉ង់ស្យែលឱ្យបានត្រឹមត្រូវ។ ប៉ារ៉ាម៉ែត្រសំឡេងរំខានដែលបានកំណត់រចនាសម្ព័ន្ធមិនត្រឹមត្រូវនឹងអាចមើលមិនឃើញសម្រាប់មនុស្សគ្រប់គ្នា លើកលែងតែក្រុមហ៊ុនដែលបង្កើតកំហុស។

របៀបដែលប្រព័ន្ធថ្មីដំណើរការ

ការរចនាថ្មីវាយប្រហារការសន្មត់ការជឿទុកចិត្តដោយផ្ទាល់។ វាផ្លាស់ទីការគណនាជម្រាលរបស់អតិថិជនទៅម៉ាស៊ីនមេ — នៅក្នុងបរិយាកាសប្រតិបត្តិដែលគួរឱ្យទុកចិត្ត — ហើយបន្ទាប់មកធ្វើឱ្យតក្កវិជ្ជារបស់ម៉ាស៊ីនមេនោះអាចបញ្ជាក់បាន ដូច្នេះប្រតិបត្តិករលែងត្រូវការការជឿទុកចិត្តទៀតហើយ។ TEE គឺជាប្រព័ន្ធដំណើរការដែលដាច់ដោយឡែកពីផ្នែករឹងដែលកូដដែលកំពុងដំណើរការអាចត្រូវបានផ្ទៀងផ្ទាត់ដោយអ្នកខាងក្រៅ។ ប្រសិនបើបរិក្ខារធ្វើអ្វីផ្សេងក្រៅពីអ្វីដែលខ្លួនអះអាង នោះវិញ្ញាបនបត្រនឹងខូច។

យោងតាមការប្រកាសរបស់ Google ប្រព័ន្ធសម្របសម្រួលផ្នែកស្នូលចំនួនបួន។ ទីមួយ ការបង្ហោះទិន្នន័យ៖ ឧបករណ៍អ៊ិនគ្រីបឧទាហរណ៍ការបណ្តុះបណ្តាលក្នុងមូលដ្ឋាន និងផ្តល់សិទ្ធិជាមុននូវគោលការណ៍ចូលប្រើ ដែលរាយបញ្ជីយ៉ាងពិតប្រាកដថា ការគណនា TEE អាចដំណើរការទិន្នន័យ — ហើយគោលការណ៍ទាំងនោះត្រូវតែបង្ហាញនៅក្នុងកំណត់ហេតុតម្លាភាពសាធារណៈ។ ទីពីរ ប្រព័ន្ធគ្រប់គ្រងសោដែលបានបង្កើតឡើងពី TEEs ដែលដំណើរការពិធីការឯកភាព RAFT បញ្ចេញសោរឌិគ្រីបសម្រាប់តែបន្ទុកការងារដែលត្រូវនឹងគោលការណ៍ដែលបានបោះពុម្ពផ្សាយប៉ុណ្ណោះ។ ទីបី ការប្រតិបត្តិបន្ទុកការងារ៖ ឫស TEE ដំណើរការរង្វិលជុំបណ្តុះបណ្តាល Python និងផ្ទេរភារកិច្ចរងទៅ TEE របស់កម្មករ ដោយមានការរៀបចំដោយប្រព័ន្ធមួយហៅថា Federated Language ដែលកើតចេញពីក្របខ័ណ្ឌ TensorFlow Federated របស់ Google ។ មាន​តែ​ទម្ងន់​គំរូ​ឯកជន​ដែល​មាន​លក្ខណៈ​ខុស​ប្លែក​គ្នា​ប៉ុណ្ណោះ​ដែល​ត្រូវ​បាន​បញ្ចេញ​ចេញ​ពី​រង្វង់។ ទីបួន ការស្ដារឡើងវិញដោយអត់ឱនចំពោះកំហុស៖ វគ្គបណ្តុះបណ្តាលនីមួយៗរក្សាទុកស្ថានភាពសង្គ្រោះដែលបានអ៊ិនគ្រីប KMS ដូច្នេះការបរាជ័យជា root ឬកម្មករមិនបំផ្លាញការបណ្តុះបណ្តាលដែលកំពុងដំណើរការនោះទេ។

ហេតុអ្វីបានជាការធានាពិតជាអាចពិនិត្យបាន។

ការទាមទារការផ្ទៀងផ្ទាត់គឺស្ថិតនៅលើខ្សែសង្វាក់នៃភស្តុតាងសាធារណៈ ជាជាងការបញ្ជាក់សាជីវកម្ម។ គោលការណ៍ចូលប្រើត្រូវបានបោះពុម្ពផ្សាយទៅកាន់ Rekor ដែលជាកំណត់ហេតុតម្លាភាពសាធារណៈរបស់ Sigstore ដូច្នេះអ្នកសវនករខាងក្រៅអាចតាមដានរាល់បន្ទុកការងាររបស់ម៉ាស៊ីនមេ ដែលទិន្នន័យរបស់ឧបករណ៍អាចផ្តល់ចំណីបាន។ KMS និងប្រព័ន្ធគោលពីរដំណើរការទិន្នន័យគឺអាចបង្កើតឡើងវិញបានពីកូដប្រភពបើកចំហ មានន័យថានរណាម្នាក់អាចចងក្រងប្រភពដែលបានបោះពុម្ព ហើយបញ្ជាក់ថាវាត្រូវគ្នានឹងប្រព័ន្ធគោលពីរដែលកំពុងដំណើរការនៅក្នុងផលិតកម្ម។

គោលការណ៍ខ្លួនឯងពិពណ៌នាដោយផ្ទាល់អំពីកម្មវិធីបណ្តុះបណ្តាល Python ដែលបិទចន្លោះប្រហោងទូទៅបំផុតនៅក្នុងស្ថាបត្យកម្មឯកជនភាព៖ គម្លាតរវាងអ្វីដែលគោលការណ៍ឯកជនភាពនិយាយ និងអ្វីដែលកូដពិតជាធ្វើ។ ដើម្បីការពារស្ថាបត្យកម្មគំរូដែលមានកម្មសិទ្ធ TEEs គាំទ្រការផ្ទុក sideloading logic serialized នៅពេលដំណើរការ — ប៉ុន្តែជាមួយនឹងឧបសគ្គដ៏លំបាកដែលតក្កវិជ្ជាទាក់ទងនឹងឯកជនភាពទាំងអស់ត្រូវតែរក្សា hardcoded នៅក្នុងកម្មវិធីដែលបានបញ្ជាក់។ ប្រតិបត្តិករបន្ទុកការងារ រួមទាំងបុគ្គលិកផ្នែកហេដ្ឋារចនាសម្ព័ន្ធផ្ទាល់របស់ Google មើលឃើញតែម៉ែត្រ និងទម្ងន់គំរូឯកជនខុសគ្នា។ ទិន្នន័យដែលបានអ៊ិនគ្រីបអាចត្រូវបានឌិគ្រីបបានតែក្នុងរយៈពេលកំណត់បន្ទាប់ពីការផ្ទុកឡើង ដោយបិទភ្ជាប់បង្អួចដែលអ្វីៗទាំងអស់អាចត្រូវបានត្រួតពិនិត្យ។

ពីការសន្យាទៅជាភស្តុតាង

សារៈសំខាន់នៃការរចនាគឺតិចជាងសមាសធាតុតែមួយ ជាងការផ្លាស់ប្តូរបន្ទុកដែលវាបង្កើត។ ការធានាឯកជនភាពនៅក្នុងការរៀនម៉ាស៊ីនត្រូវបានបង្កើតឡើងជាប្រវត្តិសាស្ត្រជាការសន្យាដែលគាំទ្រដោយឯកសារគោលនយោបាយ សវនកម្មផ្ទៃក្នុង និងកេរ្តិ៍ឈ្មោះរបស់ប្រតិបត្តិករ។ ប្រព័ន្ធនេះបំប្លែងការសន្យាទាំងនោះទៅជាវត្ថុបុរាណ — របាយការណ៍បញ្ជាក់ ធាតុកំណត់ហេតុតម្លាភាព ការបង្កើតឡើងវិញ — ដែលអ្នកសង្ស័យអាចផ្ទៀងផ្ទាត់ដោយមិនចាំបាច់ចូលទៅកាន់ផ្នែកខាងក្នុងរបស់ Google ។

វាក៏កត់សម្គាល់ផងដែរនូវការរួបរួមគ្នាដ៏គួរឱ្យកត់សម្គាល់នៃសហគមន៍ស្រាវជ្រាវពីរដែលភាគច្រើនបានធ្វើការស្របគ្នា។ បរិយាកាសប្រតិបត្តិដែលគួរឱ្យទុកចិត្ត និងភាពឯកជនឌីផេរ៉ង់ស្យែលដោះស្រាយបញ្ហាផ្សេងៗគ្នា៖ TEEs កម្រិតថាអ្នកណាអាចគណនាទិន្នន័យបាន ខណៈពេលដែល DP ដាក់កម្រិតលើអ្វីដែលកុំព្យូទ័រអាចលេចធ្លាយ។ ការរួមបញ្ចូលគ្នារវាងពួកវានៅក្រោមកម្មវិធីដែលអាចបញ្ជាក់បានតែមួយ ជាមួយនឹងការបង្កើតសំលេងរំខាន DP ខ្លួនវានៅខាងក្នុងបរិក្ខារដែលបានផ្ទៀងផ្ទាត់ ដោះស្រាយភាពទន់ខ្សោយដែលនៅសល់នៃវិធីសាស្រ្តនីមួយៗក្នុងភាពឯកោ។

សម្រាប់ពេលនេះ ប្រព័ន្ធនេះកំពុងដំណើរការនៅក្នុងជង់ផ្ទាល់ខ្លួនរបស់ Google ដោយផ្តល់ថាមពលដល់បន្ទុកការងារដែល Gboard អនុវត្ត។ ថាតើភាពឯកជនដែលអាចផ្ទៀងផ្ទាត់បានក្លាយទៅជាការរំពឹងទុកដ៏ប្រកួតប្រជែងនៅទូទាំងឧស្សាហកម្ម — វិធីដែល HTTPS បានធ្វើបន្ទាប់ពីការកត់ត្រាតម្លាភាពត្រូវបានធ្វើឱ្យមានស្តង់ដារសម្រាប់វិញ្ញាបនបត្រ — នឹងអាស្រ័យលើថាតើអ្នកប្រើប្រាស់ និងនិយតករចាប់ផ្តើមសួរអ្នកផ្តល់សេវា AI ផ្សេងទៀតនូវសំណួរដែលប្រព័ន្ធនេះត្រូវបានរចនាឡើងដើម្បីឆ្លើយ៖ បញ្ជាក់វា។

---

ស្នាក់នៅមុន AI

ទទួលបានព័ត៌មាន AI ការវិភាគ និងរបកគំហើញចុងក្រោយបំផុត — ទាំងអស់នៅកន្លែងតែមួយ។

អានព័ត៌មាន AI បន្ថែម →