在2019年底暫停評估企業(yè)AI的地位后，去年推出了一種新的業(yè)務(wù)模型，該模型鼓勵通過共享數(shù)據(jù)進行分布式模型培訓。

根據(jù)項目的不同，被稱為“聯(lián)合學習”的新興AI模型提出的關(guān)鍵問題是企業(yè)競爭對手是否愿意共享數(shù)據(jù)?另一方面，分布式機器學習框架可以為初創(chuàng)企業(yè)創(chuàng)造機會，最終改善AI應(yīng)用程序。

AI顧問亞歷山大Gonfalonieri使得情況下即聯(lián)合學習的是，是用來建立一個“模范集體”不同數(shù)據(jù)之間共享的分布式機器學習框架車主，代表一個可行的AI的商業(yè)模式。

一些技術(shù)供應(yīng)商已經(jīng)接受了醫(yī)療應(yīng)用程序的聯(lián)合方法，這些方法帶來了棘手的數(shù)據(jù)隱私問題。例如，Nvidia本周(納斯達克股票代碼：NVDA)推出了一種聯(lián)邦學習工具，作為其Clara AI平臺的一部分，該平臺旨在在保護患者隱私的同時促進協(xié)作。

針對醫(yī)學成像社區(qū)，英偉達表示，其聯(lián)合方法將使分布式客戶端能夠通過邊緣服務(wù)器在本地培訓深度學習模型，然后合作開發(fā)可被臨床醫(yī)生使用的準確“全局模型”。

實際上，Gonfalonieri認為，即使在醫(yī)學等嚴格管制的市場中，分布式機器學習方法也可以產(chǎn)生改進的模型和引人注目的AI應(yīng)用程序。他說：“在醫(yī)學領(lǐng)域，[聯(lián)合學習]可能是更好的治療和更快的藥物發(fā)現(xiàn)的代名詞。”

鑒于最近的挫折，例如IBM(NYSE：IBM)最近撤回了其Watson AI藥物發(fā)現(xiàn)工具，批評家們斷言撤退凸顯了AI的缺點。不過，一些觀察者指出，機器學習框架在診斷成像等領(lǐng)域顯示出了希望，其中“確認偏見”和其他偏見仍然是一個問題。

“集中化(機器學習)遠非完美，” Gonfalonieri總結(jié)道。“實際上，訓練模型需要公司將大量相關(guān)數(shù)據(jù)收集到中央服務(wù)器或數(shù)據(jù)中心。在某些項目中，這意味著收集用戶的敏感數(shù)據(jù)。”

數(shù)據(jù)共享(無論是競爭性數(shù)據(jù)還是規(guī)范性數(shù)據(jù))，似乎是推動分布式機器學習作為未來AI業(yè)務(wù)模型發(fā)展的最大絆腳石。在某些方面，聯(lián)合方法類似于已建立的開源軟件和硬件開發(fā)，超大規(guī)模開發(fā)人員已廣泛采用該軟件和硬件開發(fā)。

其他人提出了聯(lián)合學習方法，包括其中模型開發(fā)分布在數(shù)百萬個邊緣設(shè)備之間的框架。支持者認為，他們可以通過限制對原始用戶數(shù)據(jù)的訪問或標記來確保數(shù)據(jù)隱私。