Naukowcy opracowali FedACT - metodę federacyjnego uczenia maszynowego, która pozwala trenować modele AI na rozproszczonych danych bez konieczności ich centralizacji. To przełomowe podejście rozwiązuje jeden z największych wyzwań uczenia rozproszonego: możliwość pracy z danymi o zupełnie innej strukturze i rozkładzie u różnych podmiotów. Zamiast wysyłać wrażliwe informacje do centralnego serwera, każda instytucja może ulepszać wspólny model, zachowując pełną kontrolę nad swoimi danymi.
Metoda ma ogromne znaczenie dla sektora zdrowotności i finansów, gdzie ochrona danych pacjentów i klientów to nie tylko wymóg regulacyjny, ale także wymóg etyczny. Szpitale w różnych krajach mogą teraz wspólnie trenować modele diagnostyczne, banki mogą współpracować nad systemami detekcji oszustw, a firmy ubezpieczeniowe mogą ulepszać algorytmy ryzyka - wszystko bez ryzyka wycieku wrażliwych informacji. FedACT rozwiązuje problem heterogeniczności danych, czyli sytuacji, gdy każdy uczestnik ma inny typ informacji, inne rozmiary zbiorów czy nawet inne etykiety klas - problemu, który do tej pory znacznie utrudniał praktyczne wdrożenie uczenia federacyjnego.
Znaczenie tego rozwiązania wykracza poza poszczególne branże. FedACT otwiera drogę do bardziej skalowanlych systemów AI, które mogą uczyć się z danych rozproszonych na całym świecie bez centralnego punktu awarii czy kontroli. W erze coraz bardziej rygorystycznych przepisów dotyczących prywatności - od RODO w Europie po podobne ustawy na innych kontynentach - tego typu technologie mogą stać się standardem współpracy między instytucjami zajmującymi się danymi wrażliwymi.