Obecnie większość szkoleń w zakresie modeli AI odbywa się w centralnej lokalizacji – takie podejście bazuje na scentralizowanych, połączonych zbiorach danych. Podejście to może być jednak nieefektywne i kosztowne ze względu na konieczność przenoszenia dużych ilości danych do centralnej lokalizacji. Może ono być również ograniczane przez regulacje prawne dotyczące prywatności i własności danych, które zmniejszają możliwość udostępniania i przepływu danych, co może potencjalnie prowadzić do powstania nieprecyzyjnych modeli. Dzięki treningowi modeli i wykorzystywaniu samych wyników analiz, a nie danych na brzegu sieci, przedsiębiorstwa mogą przyspieszyć podejmowanie decyzji. Dzięki możliwości przekazywania wyników pomiędzy organizacjami u źródła danych, różne branże na całym świecie mogą wspólnie pracować nad dalszym doskonaleniem AI. Może to doprowadzić do uzyskania istotnych wyników biznesowych i społecznych.

Jednak udostępnianie danych poza organizację może stanowić wyzwanie ze względu na regulacje, na mocy których niezbędne jest przechowywanie danych w lokalizacji firmy. HPE Swarm Learning umożliwia organizacjom korzystanie z rozproszonych danych u ich źródła, co pozwala na wykorzystanie większych zbiorów do treningu AI. To z kolei pozwala budować skuteczniejsze modele uczenia maszynowego, zachowując ich prywatność i łatwość w zarządzaniu. Jest to możliwe dzięki udostępnianiu samych wyników uzyskanych na brzegu sieci, a nie danych, co wpływa też na większą jakość modeli. HPE Swarm Learning wykorzystuje technologię blockchain, aby bezpiecznie dodawać nowych członków do grupy, wybierać lidera i scalać parametry modelu. Przekłada się to na odporność i bezpieczeństwo sieci uczenia rozproszonego.

HPE Swarm Learning może być zastosowane przez wiele organizacji, podwyższając jakość ich analiz, w szczególności w obszarach:

• Medycyna: technologia może być wykorzystana w szpitalach do analizyobrazowania, tomografii komputerowej, rezonansu magnetycznego czy danych dotyczących ekspresji genów. Udostępnianie wniosków z tych analiz pomiędzy szpitalami, przy zachowaniu odpowiedniej ochrony informacji o pacjencie, może przełożyć się na skuteczniejszą diagnostykę chorób.

• Bankowość: bankimogą ograniczyć straty wynikające z oszustw z wykorzystaniem kart kredytowych, dzieląc się z innymi instytucjami wynikami swojej analizy.

• Produkcja: zakłady produkcyjnemogą wykorzystywać metodę przeglądów predykcyjnych, aby przewidzieć i zaplanować naprawę sprzętu, zanim urządzenie ulegnie awarii, powodując niepożądany przestój. Wykorzystując uczenie rozproszone, kierownicy utrzymania ruchu mogą uzyskać lepszy obraz sytuacji, gdyż uzyskują dostęp do analizy informacji z czujników w wielu zakładach produkcyjnych.

Dostępność

Rozwiązanie HPE Swarm Learning jest już dostępne w większości krajów. Więcej: hpe.com/info/swarm-learning