NVIDIA 的聯合學習平台透過利用多樣化的全球數據，同時遵循隱私法規，增強自動駕駛汽車（AV）的訓練。聯邦學習創新地允許在不同國家使用本地數據，確保數據去中心化，提高隱私和安全性。與傳統中心化儲存方法相比，聯邦學習增強了法規合規性，如歐盟的GDPR和中國的PIPL。該平台在日本的AWS上託管，透過優化模型傳輸，克服了網路問題。自推出以來，資料科學家人數增加，NVIDIA成功訓練了多個高效能AV模型，為其他產業的應用提供了可能。
達流斯·巴羅2024年10月25日04:10
NVIDIA 的聯合學習平台透過利用多樣化的全球數據，同時遵守隱私法規，增強自動駕駛車輛訓練。了解對AV 發展的影響。
事實證明，聯邦學習能夠改變自動駕駛汽車（AV）開發的遊戲規則，特別是在跨越不同國家的場景中。這種創新方法允許使用不同的資料來源和條件，這對於完善AV 技術至關重要。據NVIDIA 技術部落格稱，聯合學習使AV 能夠利用本地收集的資料協作訓練演算法，保持資料去中心化並增強隱私和安全性。
加強隱私和監管合規性
與需要中心化資料儲存的傳統機器學習方法不同，聯邦學習可確保敏感資料保留在其來源國。這種方法不僅增強了隱私性，而且符合各種國際資料保護法規，例如歐盟的GDPR 和中國的PIPL。透過最大限度地減少資料移動，聯合學習可以幫助自動駕駛遵守這些法規，同時仍受益於集體學習過程。
NVIDIA 聯合學習平台
NVIDIA 使用開源框架NVIDIA FLARE 開發了AV 聯合學習平台。該平台透過整合來自多個國家的數據來訓練全球模型，從而解決與傳統中心化資料處理相關的監管和後勤挑戰。
部署設定包括兩個聯合學習用戶端和一個中央伺服器，FL 伺服器託管在日本的AWS 上。該系統與現有的AV 機器學習基礎設施集成，促進無縫資料處理和模型訓練。
動機和用例
NVIDIA AV 團隊在全球範圍內運作，收集各個地區的數據以增強AV 功能。處理來自多個國家/地區的資料的必要性源於需要解決可能並非到處都存在的罕見用例。該平台支援物體檢測和標誌識別等任務，從而能夠開發出滿足或超過各個國家/地區特定模型性能的統一全球模型。
挑戰與解決方案
實施全球人工智慧模型涉及多項挑戰，包括IT 設定、網路頻寬和中斷。 NVIDIA 透過在AWS 上託管FL 伺服器並優化模型傳輸流程來解決這些問題。該團隊還實施了從網路中斷中恢復的解決方案，確保培訓價格不間斷。
專案現況及未來展望
自部署以來，該平台的資料科學家人數增加，從兩名增加到三十名。 NVIDIA 已使用該平台成功訓練並發布了眾多AV 模型，在路標識別等任務中展示了卓越的性能。
這種聯邦學習方法不僅可以在不移動資料的情況下增強模型訓練，還可以確保法規遵循和成本效率。 NVIDIA 開發該平台的策略可以適應其他行業，例如醫療保健和金融，進一步擴大聯邦學習應用的範圍。
圖片來源：Shutterstock
資訊來源：由0x資訊編譯自BLOCKCHAINNEWS。版權所有，未經許可，不得轉載