Grandi aziende come Google ed Apple utilizzano algoritmi di machine learning per migliorare i propri software. Generalmente le informazioni provenienti dagli utenti sull’utilizzo delle app sono collocate su server centralizzati sui quali in seguito vengono “addestrati” i nuovi algoritmi di intelligenza artificiale.
Google vuole stravolgere l’idea di un datacenter utilizzando il nuovo Federated Learning, con il quale è possibile decentralizzare il lavoro dell’intelligenza artificiale. Infatti, piuttosto che collocare i dati degli utilizzatori sui propri server, il processo di addestramento degli algoritmi avviene direttamente su ciascun dispositivo utilizzando i dati memorizzati in locale. È la CPU del proprio smartphone ad aiutare gli algoritmi di AI di Google.
Con questo approccio ogni utente potrà scaricare dalla rete il modello di machine learning e migliorarlo automaticamente secondo le proprie necessità e abitudini semplicemente utilizzando il proprio smartphone.
Google sta testando il Federated Learning utilizzando la propria tastiera, la Gboard. Quando la Gboard mostra i suggerimenti all’utente, l’app è in grado di ricordarsi cosa viene scelto e cosa viene scartato ed utilizzare queste informazioni per personalizzare gli algoritmi direttamente sul proprio dispositivo. Le modifiche possono essere inviate ai server di Google che le utilizzerà per aggiornare la app per tutti gli utenti.
A) L’app è aggiornata sul dispositivo del singolo utente in base al proprio utilizzo. B) Google raccoglie le informazioni sulla personalizzazione e (C) sfrutta queste modifiche per rilasciare un nuovo aggiornamento della app stessa
Come affermano i tecnici di Google, questo approccio, oltre a permettere la realizzazione di modelli più efficaci e ridurre i consumi energetici, offre maggiori garanzie in termini di privacy utilizzando i dati direttamente in locale.
Questa non è la prima volta che una grande azienda utilizza i dati degli utenti per migliorare i propri algoritmi di AI. Anche Apple ha infatti annunciato lo scorso giugno il proprio algoritmo di apprendimento automatico, chiamato “differential privacy”, per ottenere gli stessi benefici di Federated Learning.
Questi metodi diventeranno sempre più comuni permettendo alle aziende di utilizzare i dati degli utenti soddisfacendo le politiche di privacy.
