Google သည် ကိုယ်ရေးကိုယ်တာကတိများကို အတည်ပြုနိုင်စေရန် Gboard AI လေ့ကျင့်ရေးအား လုံခြုံသော Chips များအဖြစ် ရွှေ့ထားသည်။

Google Research သည် Trusted Execution Environments တွင် တည်ဆောက်ထားသော မျိုးဆက်သစ် ဖက်ဒရယ် သင်ကြားရေးစနစ်တစ်ခုကို ကြေညာခဲ့ပြီး၊ အဖွဲ့သည် လွန်ခဲ့သောနှစ်အနည်းငယ်က လက်လှမ်းမမီနိုင်သောအဖြစ်မှ ထုတ်ပယ်ခံရမည့် အရေးဆိုမှုကို ပြုလုပ်နေသည်- ဖက်ဒရယ်ဆိုင်ရာ သင်ယူမှုအတွက် ပြင်ပမှ အတည်ပြုနိုင်သော ဗဟိုကွဲပြားသော ကိုယ်ရေးကိုယ်တာ အာမခံချက်များ၊ ပထမဦးဆုံးအကြိမ်။ Gboard တွင် အသုံးပြုနေသည့် စနစ်သည် ပြင်ပစာရင်းစစ်များ အမှန်တကယ်စစ်ဆေးနိုင်သည့် လျှို့ဝှက်စာဝှက်အထောက်အထားများနှင့် အများသူငှာ မှတ်တမ်းများဖြင့် ကာလကြာရှည်စွာ "ယုံကြည်စိတ်ချရသော" အစီအစဉ်ကို အစားထိုးသည်။ လျှို့ဝှက်ရေး-ထိန်းသိမ်းသည့် စက်သင်ယူမှု၏ ဆက်တိုက်လွှမ်းခြုံမှုအတွက် ကျွန်ုပ်တို့၏ နောက်ဆုံးပေါ် AI ဖွံ့ဖြိုးတိုးတက်မှုများ ကို လိုက်နာပါ။

ပြည်ထောင်စုစနစ် သင်ကြားရေးတွင် ယုံကြည်မှု ကွာဟချက်

2017 ခုနှစ်တွင် Google မှ မိတ်ဆက်ခဲ့သည့် Federated Learning သည် တိကျသောပြဿနာတစ်ခုအား ဖြေရှင်းရန် ရည်မှန်းထားသည်- ထိုဒေတာကို ဗဟိုမှမစုဆောင်းဘဲ အသုံးပြုသူဒေတာအတွက် အသုံးဝင်သောမော်ဒယ်များကို လေ့ကျင့်နည်း။ အကြမ်းဖျင်းစာရိုက်ခြင်းအပြုအမူကို ဆာဗာသို့ အပ်လုဒ်တင်မည့်အစား၊ စက်များသည် စက်တွင်းရှိ မော်ဒယ်အပ်ဒိတ်များကို တွက်ချက်ပြီး ထိုအပ်ဒိတ်များကိုသာ ပံ့ပိုးပေးပါသည်။ ချဉ်းကပ်မှုသည် သုံးစွဲသူများနေ့စဥ်ထိတွေ့သည့် သိသိသာသာပမာဏကို တိတ်တဆိတ် စွမ်းအားပေးသည် — နောက်ဆက်တွဲခန့်မှန်းချက်နှင့် Gboard တွင် စမတ်စာစီစာကုံး၊ Google Messages တွင် အကြံပြုချက်များနှင့် Android တွင် စမတ်စာသားရွေးချယ်မှုတို့ကို တိတ်တဆိတ်လုပ်ဆောင်သည်။

သို့သော် မူလဗိသုကာလက်ရာသည် ၎င်း၏ဗဟိုတွင် ယုံကြည်မှုကွာဟချက်ရှိသည်။ စက်ပစ္စည်းများသည် ၎င်းတို့၏ဒေတာများကို ချက်ခြင်းစုစည်းရန်အတွက် အပ်လုဒ်တင်ခဲ့ကြပြီး၊ ပြင်ပလူများသည် ဒေတာကို မည်သည့်အခါမျှ မှတ်တမ်းမတင်၊ ထိန်းသိမ်းထား သို့မဟုတ် စစ်ဆေးခြင်းမပြုကြောင်း အတည်ပြုရန်နည်းလမ်းမရှိပါ။ သုံးစွဲသူများသည် server-side တွင်ဖြစ်ပျက်ခဲ့သောအရာအတွက် Google ၏စကားလုံးကိုယူခဲ့ရသည်။ နောက်ပိုင်းတွင်၊ Secure Aggregation သည် တစ်ဦးချင်းစီ၏ ပံ့ပိုးမှုများကို သီးခြားခွဲထုတ်ခြင်းတွင် ဖတ်ရှု၍မရစေရန်အတွက် လျှို့ဝှက်စာဝှက်ဖြင့် အကာအကွယ်ကို ပေါင်းထည့်ခဲ့သည် — သို့သော် အဆိုပါနည်းပညာသည် matrix factorization DP-FTRL ကဲ့သို့သော ခေတ်မီသော ဗဟိုကွဲပြားသော ကိုယ်ရေးကိုယ်တာ အယ်လဂိုရီသမ်များနှင့် ကိုက်ညီမှုမရှိပါ၊ ၎င်းသည် ယူဆချက်တစ်ခုမှ ချန်ထားခဲ့သေးသည်- Google သည် ခြားနားသောကိုယ်ရေးကိုယ်တာဆူညံမှုကို မှန်ကန်စွာထည့်သွင်းရန် ယုံကြည်ရမည်ဖြစ်သည်။ မှားယွင်းသတ်မှတ်ထားသော ဆူညံသံပါရာမီတာကို ကုမ္ပဏီမှလွဲ၍ လူတိုင်းမမြင်နိုင်ပါ။

စနစ်သစ် ဘယ်လိုအလုပ်လုပ်လဲ။

ဒီဇိုင်းအသစ်သည် ယုံကြည်မှုယူဆချက်ကို တိုက်ရိုက်တိုက်ခိုက်သည်။ ၎င်းသည် ကလိုင်းယင့် gradient တွက်ချက်မှုကို ဆာဗာသို့ ရွှေ့သည် — Trusted Execution Environment — နှင့် ထို server logic ကို သက်သေပြနိုင်သောကြောင့် အော်ပရေတာအား လုံးဝယုံကြည်ရန် မလိုအပ်တော့ပါ။ TEE သည် ဟာ့ဒ်ဝဲ-ခွဲထုတ်ထားသော ပရိုဆက်ဆာ enclave တစ်ခုဖြစ်ပြီး ပြင်ပလူများက ကုဒ်ကို လျှို့ဝှက်ရေးသွင်းနိုင်သည် ။ နယ်မြေက တောင်းဆိုထားတာကလွဲလို့ တခြားတစ်ခုခုလုပ်ရင် သက်သေခံချက်ပျက်သွားတယ်။

Google ၏ ကြေငြာချက်အရ အဆိုပါစနစ်သည် အဓိကအစိတ်အပိုင်းလေးခုကို ပေါင်းစပ်ညှိနှိုင်းပေးသည်။ ပထမအချက်၊ ဒေတာအပ်လုဒ်- စက်များသည် လေ့ကျင့်ရေးနမူနာများကို စက်တွင်းတွင် စာဝှက်ထားပြီး TEE တွက်ချက်မှုများသည် မည်သည့်ဒေတာကို လုပ်ဆောင်နိုင်သည်ကို အတိအကျဖော်ပြသည့် ဝင်ရောက်ခွင့်မူဝါဒကို ကြိုတင်ခွင့်ပြုပေးထားပြီး အဆိုပါမူဝါဒများသည် အများသူငှာ ပွင့်လင်းမြင်သာမှုမှတ်တမ်းတွင် ပေါ်လာရမည်ဖြစ်သည်။ ဒုတိယ၊ RAFT သဘောတူညီမှု ပရိုတိုကောကို လုပ်ဆောင်နေသည့် TEE များမှ တည်ဆောက်ထားသော သော့စီမံခန့်ခွဲမှုစနစ်သည် ထုတ်ဝေထားသော မူဝါဒနှင့် ကိုက်ညီသည့် အလုပ်များထံသို့သာ ကုဒ်ဝှက်ခြင်းသော့များကို ထုတ်ပေးပါသည်။ တတိယ၊ workload execution- TEE ၏ root သည် Python လေ့ကျင့်ရေးကွင်းကို လုပ်ဆောင်ပြီး Google ၏ TensorFlow Federated framework မှ ဆင်းသက်လာသော Federated Language ဟုခေါ်သော စနစ်ဖြင့် ကြိုးကိုင်မှုဖြင့် တီးမှုတ်ပေးခြင်းဖြင့် Python လေ့ကျင့်ရေးကွင်းကို လုပ်ဆောင်သည်။ သီးသန့်မော်ဒယ်အလေးများကိုသာ အဝိုင်းမှ ထုတ်လွှတ်သည်။ စတုတ္ထ၊ အမှား-ခံနိုင်ရည်ရှိသော ပြန်လည်ရယူခြင်း- လေ့ကျင့်ရေးဝိုင်းတစ်ခုစီသည် KMS-ကုဒ်ဝှက်ထားသော ပြန်လည်ရယူရေးအခြေအနေအား သိမ်းဆည်းထားသောကြောင့် root သို့မဟုတ် အလုပ်သမားများ ပျက်ကွက်မှုများသည် လက်ရှိလေ့ကျင့်မှုကို မပျက်စီးစေရန်။

ဘာ့ကြောင့် အာမခံချက်တွေကို အမှန်တကယ် စစ်ဆေးနိုင်တာလဲ။

အတည်ပြုနိုင်မှု အရေးဆိုမှုသည် ကော်ပိုရိတ်သက်သေခံချက်ထက် အများသူငှာ အထောက်အထားကွင်းဆက်ပေါ်တွင် တည်မှီပါသည်။ သုံးစွဲခွင့်မူဝါဒများကို Rekor၊ Sigstore ၏ အများသူငှာ ပွင့်လင်းမြင်သာမှုမှတ်တမ်းတွင် ထုတ်ဝေထားသောကြောင့် ပြင်ပစာရင်းစစ်များသည် စက်၏ဒေတာဖြစ်နိုင်ချေရှိသော ဆာဗာအလုပ်ချိန်တိုင်းကို ခြေရာခံနိုင်ပါသည်။ KMS နှင့် data-processing binaries များသည် open-source code မှ ပြန်လည်ထုတ်လုပ်နိုင်သည်၊ ဆိုလိုသည်မှာ မည်သူမဆို ထုတ်ပြန်ထားသော source ကို compile လုပ်နိုင်ပြီး ထုတ်လုပ်မှုတွင် လုပ်ဆောင်နေသော binaries များနှင့် ကိုက်ညီကြောင်း အတည်ပြုနိုင်သည်။

မူဝါဒများသည် ကိုယ်ရေးကိုယ်တာဆိုင်ရာ မူဝါဒနှင့် ကုဒ်အမှန်တကယ်လုပ်ဆောင်သည့်အရာတို့အကြား ကွာဟချက်တစ်ခုဖြစ်သည့် လျှို့ဝှက်ဗိသုကာများအတွင်း အတွေ့ရအများဆုံး ကွက်လပ်ကို ပိတ်ပေးသည့် Python လေ့ကျင့်ရေးပရိုဂရမ်ကို တိုက်ရိုက်ဖော်ပြပါသည်။ မူပိုင်မော်ဒယ်ဗိသုကာများကိုကာကွယ်ရန်၊ TEEs များသည် runtime တွင် နံပါတ်စဉ်တပ်ထားသော logic များကို sideloading လုပ်ခြင်းကို ပံ့ပိုးပေးသည် — သို့သော် ကိုယ်ရေးကိုယ်တာနှင့်သက်ဆိုင်သည့် logic အားလုံးကို သက်သေပြထားသော program တွင် hardcoded ဆက်လက်ရှိနေရမည်ဟု ခက်ခဲသောကန့်သတ်ချက်ဖြင့်လုပ်ဆောင်သည်။ Google ၏ကိုယ်ပိုင်အခြေခံအဆောက်အအုံဝန်ထမ်းများအပါအဝင် အလုပ်ဝန်အော်ပရေတာများသည် မက်ထရစ်များနှင့် သီးသန့်မော်ဒယ်အလေးများကို ကွဲပြားစွာမြင်ကြသည်။ ကုဒ်ဝှက်ထားသောဒေတာကို အပ်လုဒ်လုပ်ပြီးနောက် အကန့်အသတ်ဖြင့်သာ စာဝှက်ထားနိုင်ပြီး မည်သည့်အရာမဆို စစ်ဆေးနိုင်သည့် ဝင်းဒိုးကို ဘောင်ခတ်ထားသည်။

ကတိမှသည် သက်သေအဖြစ်သို့

ဒီဇိုင်း၏ အရေးပါမှုသည် ၎င်းထုတ်လုပ်သည့် ဝန်ထုပ်ဝန်ပိုး အပြောင်းအရွှေ့ထက် တစ်ခုတည်းသော အစိတ်အပိုင်းတစ်ခုမျှ နည်းပါးသည်။ စက်သင်ယူမှုတွင် ကိုယ်ရေးကိုယ်တာအာမခံချက်များသည် မူဝါဒစာရွက်စာတမ်းများ၊ အတွင်းစစ်ဆေးမှုများနှင့် အော်ပရေတာ၏ဂုဏ်သတင်းများဖြင့် ကျောထောက်နောက်ခံပေးထားသည့် ကတိများအဖြစ် သမိုင်းတွင်ဘောင်ခတ်ထားသည်။ ဤစနစ်သည် ထိုကတိများကို အထောက်အထားများ—အထောက်အထားအစီရင်ခံစာများ၊ ပွင့်လင်းမြင်သာမှု-မှတ်တမ်းထည့်သွင်းမှုများ၊ ပြန်လည်ထုတ်လုပ်နိုင်သောတည်ဆောက်မှုများ—သံသယရှိသူသည် Google ၏အတွင်းပိုင်းသို့ဝင်ရောက်ခြင်းမရှိဘဲ အတည်ပြုနိုင်သည်ဟု ဤစနစ်က ပြောင်းလဲပေးသည်။

၎င်းသည် အများအားဖြင့် ပြိုင်တူလုပ်ဆောင်ခဲ့ကြသည့် သုတေသနအသိုင်းအဝိုင်းနှစ်ခု၏ ထင်ရှားသော ပေါင်းစည်းမှုတစ်ခုလည်းဖြစ်သည်။ ယုံကြည်ရသော လည်ပတ်မှုပတ်ဝန်းကျင်နှင့် ကွဲပြားသောကိုယ်ရေးကိုယ်တာသည် မတူညီသောပြဿနာများကိုဖြေရှင်းပေးသည်- TEEs သည် ဒေတာကိုတွက်ချက်နိုင်သူကို ကန့်သတ်ထားပြီး DP သည် မည်သည့်တွက်ချက်မှုမှပေါက်ကြားနိုင်သည်ကို ကန့်သတ်ထားသည်။ ၎င်းတို့ကို အတည်ပြုနိုင်သော တစ်ခုတည်းသော ပရိုဂရမ်တစ်ခုအောက်တွင် ပေါင်းစပ်ထားခြင်း၊ အတည်ပြုထားသော အဝန်းအဝိုင်းအတွင်း DP ဆူညံသံဖန်တီးမှုဖြင့် ပေါင်းစပ်ခြင်းသည် သီးခြားခွဲထုတ်ခြင်းတွင် ချဉ်းကပ်မှုတစ်ခုစီ၏ ကျန်ရှိနေသော အားနည်းချက်ကို ဖြေရှင်းပေးသည်။

ယခုအချိန်တွင် စနစ်သည် Google ၏ကိုယ်ပိုင်အစုအဝေးတွင် လုပ်ဆောင်နေပြီး Gboard လုပ်ဆောင်သည့် လေ့ကျင့်ရေးအလုပ်များကို စွမ်းအားမြှင့်တင်ပေးပါသည်။ အတည်ပြုနိုင်သော ကိုယ်ရေးကိုယ်တာသည် လုပ်ငန်းနယ်ပယ်တစ်လျှောက်တွင် အပြိုင်အဆိုင်မျှော်လင့်ချက်ဖြစ်လာသည်ဖြစ်စေ — သက်သေခံလက်မှတ်များအတွက် ပွင့်လင်းမြင်သာမှုမှတ်တမ်းပြုလုပ်ပြီးနောက် HTTPS လုပ်ဆောင်သည့်နည်းလမ်း — အသုံးပြုသူများနှင့် စည်းကမ်းထိန်းသူများသည် ဤစနစ်ဖြေဆိုရန် ဒီဇိုင်းထုတ်ထားသည့်မေးခွန်းကို အခြား AI ဝန်ဆောင်မှုပေးသူများကို စတင်မေးမြန်းခြင်းရှိမရှိအပေါ် မူတည်ပါမည်- သက်သေပြပါ။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →