ફેડરેટેડ લર્નિંગ: તમારી અંગત વિગતો લીધા વગર કમ્પ્યુટર પોતાની સમજ કેવી રીતે વધારે છે?

ક્લાઉડમાં ખાનગી ડેટા મોકલવાને બદલે ડેટા પાસે અલ્ગોરિધમને લઈ જવું

દરરોજ જ્યારે આપણે મોબાઇલના કીબોર્ડ પર ગુજરાતી કે અંગ્રેજીમાં મેસેજ ટાઈપ કરીએ છીએ, ત્યારે કીબોર્ડ આગળનો શબ્દ કયો આવશે તેનો સચોટ અંદાજ બતાવે છે. થોડા જ દિવસોમાં આ કીબોર્ડ આપણા પરિવારજનોના નામ, બોલચાલની સ્થાનિક રૂઢિઓ, મિત્રો સાથે વપરાતી દેશી ભાષા કે સંબંધીઓના સંબોધનો બરાબર શીખી લે છે. આપણે માત્ર બે અક્ષર લખીએ ત્યાં જ આખો સાચો શબ્દ સ્ક્રીન પર ચમકી જાય છે. પરંતુ ક્યારેય વિચાર આવ્યો છે કે જો આ બધા અંગત પારિવારિક મેસેજ, બેંકિંગ વિગતો કે ખાનગી વાતો કોઈ ટેક કંપનીના કેન્દ્રીય સર્વર પર જતી હોય તો આપણી ગોપનીયતા કેટલી જોખમાય? સદનસીબે, કમ્પ્યુટર વિજ્ઞાને આ ડરને દૂર કરવા માટે એક અત્યંત સુરક્ષિત માર્ગ શોધી કાઢ્યો છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સના શરૂઆતના દાયકામાં અલ્ગોરિધમને તાલીમ આપવા માટે તમામ વપરાશકર્તાઓનો ડેટા એક વિશાળ કેન્દ્રીય ક્લાઉડ સર્વર પર ખેંચવામાં આવતો હતો. આ કેન્દ્રીય પદ્ધતિએ શક્તિશાળી સોફ્ટવેર જરૂર બનાવ્યા, પરંતુ તેનાથી ડેટા ચોરી, સર્વેલન્સ અને ગોપનીયતાના ભંગનું મોટું જોખમ ઊભું થયું. લાખો લોકોના અંગત દસ્તાવેજો એક જ જગ્યાએ સંગ્રહિત હોવાથી સાયબર હુમલાખોરો માટે તે એક મોટું આકર્ષણ બની જતું હતું.

વર્ષ ૨૦૧૬માં ગૂગલના સંશોધકોએ આ માળખાને સાવ ઉલટાવી દેતી એક નવી પદ્ધતિ રજૂ કરી, જેને ફેડરેટેડ લર્નિંગ કહેવામાં આવે છે. આ નવી વ્યવસ્થામાં વપરાશકર્તાનો કાચો ડેટા ક્લાઉડમાં મોકલવાને બદલે, ખુદ એઆઈ અલ્ગોરિધમને દરેક વ્યક્તિના સ્માર્ટફોન કે સ્થાનિક ઉપકરણ પર મોકલવામાં આવે છે. તમારો ડેટા તમારો ફોન ક્યારેય છોડતો નથી, છતાં સિસ્ટમ નવી બાબતો શીખી લે છે.

બધા ફોનના સુધારા મેળવી સરેરાશ કાઢવાની રીત (ફેડરેટેડ એવરેજિંગ) દ્વારા કરોડો ઉપકરણો વચ્ચે સંકલન કેવી રીતે થાય છે?

ફેડરેટેડ લર્નિંગની ટેકનિકલ પ્રક્રિયા સ્થાનિક શિક્ષણ અને ગાણિતિક એકત્રીકરણના સુવ્યવસ્થિત ચક્ર દ્વારા કાર્ય કરે છે:

• મુખ્ય મોડેલનું વિતરણ (ગ્લોબલ મોડેલ ડિસ્ટ્રિબ્યુશન): કેન્દ્રીય સર્વર આર્ટિફિશિયલ ઇન્ટેલિજન્સના મૂળ મોડેલની એક સમાન નકલ લાખો સ્માર્ટફોન્સ પર મોકલે છે.
• ઉપકરણ પર સ્થાનિક તાલીમ (ઓન-ડિવાઇસ ટ્રેનિંગ): જ્યારે તમારો ફોન ચાર્જિંગમાં હોય અને વાઇ-ફાઇ સાથે જોડાયેલો હોય, ત્યારે તે પૃષ્ઠભૂમિમાં શાંતિથી તમારા સ્થાનિક લખાણ પરથી ગણતરીના આંતરિક મૂલ્યો (જેને વેટ્સ અથવા પેરામીટર્સ કહેવાય છે) સુધારે છે.
• ગોપનીયતા જાળવવા ગાણિતિક પડદો ઉમેરવો (ડિફરન્શિયલ પ્રાઇવસી): સ્થાનિક ગણતરી પૂરી થયા પછી ફોન તેમાં ખાસ ગાણિતિક અવાજ કે પડદો (નોઇઝ) ઉમેરે છે, જેથી ઊંધી તપાસ (રિવર્સ એન્જિનિયરિંગ) દ્વારા કોઈ તમારા મૂળ શબ્દો જાણી ન શકે.
• સુરક્ષિત સરેરાશ ગણતરી (ફેડરેટેડ એવરેજિંગ): કેન્દ્રીય સર્વર હજારો ઉપકરણો પાસેથી આવેલા ગાણિતિક ફેરફારોને ખાસ સરેરાશ પદ્ધતિ (ફેડરેટેડ એવરેજિંગ અથવા FedAvg) દ્વારા એકઠા કરીને એક નવું અને વધુ હોશિયાર વૈશ્વિક મોડેલ તૈયાર કરે છે.

પરંપરાગત ક્લાઉડ કીબોર્ડ અને આધુનિક ફેડરેટેડ કીબોર્ડ વચ્ચેનો વ્યવહારુ તફાવત વિચારવા જેવો છે. જૂની પદ્ધતિમાં તમે ટાઈપ કરેલો દરેક શબ્દ કંપનીના સર્વર પર જતો હતો, જ્યાં કર્મચારીઓ કે વિશ્લેષકો તેને વાંચી શકતા હતા. જ્યારે આજના ફેડરેટેડ કીબોર્ડમાં તમારા કાકાનું નામ કે ઘરની વાત તમારા ફોનમાં જ સચવાયેલી રહે છે; મુખ્ય સર્વરને ફક્ત એટલી જ ખબર પડે છે કે આખા રાજ્યમાં બોલાતી ભાષામાં વ્યાકરણની દ્રષ્ટિએ કયા ક્રમની સંભાવના વધી છે.

ટેકનિકલ મર્યાદાઓ, બેન્ડવિડ્થ અને સુરક્ષાના પડકારો

ફેડરેટેડ લર્નિંગ વ્યક્તિગત ગોપનીયતા રક્ષણ માટે ક્રાંતિકારી પગલું હોવા છતાં, તે કોઈ સંપૂર્ણ જાદુઈ ઉકેલ નથી અને તેમાં કેટલીક વાસ્તવિક મર્યાદાઓ છે:

• પ્રોસેસિંગ પાવર અને બેટરીનો ભાર: સ્માર્ટફોન પર સ્થાનિક રીતે કૃત્રિમ મગજ જેવો પ્રોગ્રામ (ન્યુરલ નેટવર્ક) ચલાવવાથી પ્રોસેસર પર ભાર પડે છે અને બેટરી વપરાય છે, જેથી એન્જિનિયર્સ તેને માત્ર ફોન નિષ્ક્રિય હોય ત્યારે જ સક્રિય કરે છે.
• ડેટાનું અસમાન વિતરણ: દરેક વપરાશકર્તાની વાતચીત અને ભાષા અલગ હોવાથી, તમામ ઉપકરણો પાસેથી આવતા વિવિધ ફેરફારોનું સંતુલન જાળવવું ગાણિતિક રીતે પડકારજનક બને છે.
• ઇન્ટરનેટ ડેટાનો વપરાશ (બેન્ડવિડ્થ): લાખો ઉપકરણો વચ્ચે વારંવાર મોડેલના ગાણિતિક પરિમાણો મોકલવા માટે નોંધપાત્ર નેટવર્ક ડેટા ખર્ચાય છે.
• માહિતી ચોરી થવાનું જોખમ (ગ્રેડિયન્ટ લીકેજ): જો ગોપનીયતાના ગાણિતિક નિયમો (ડિફરન્શિયલ પ્રાઇવસી) યોગ્ય રીતે લાગુ ન કરાયા હોય, તો અત્યંત નિષ્ણાત હુમલાખોરો આંકડાકીય ફેરફારો પરથી મૂળ ડેટાનો અંદાજ લગાવી શકે છે.

વ્યક્તિગત સ્વાયત્તતા સાથે ટેકનોલોજીની પ્રગતિ

જ્ઞાન સહિયારું અને માહિતી અંગત, એ ફેડરેટેડ લર્નિંગનો મૂળ સિદ્ધાંત છે. આ પદ્ધતિ સાબિત કરે છે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સને હોશિયાર બનાવવા માટે સામાન્ય માણસે પોતાની અંગત સ્વતંત્રતા કે ખાનગી વિગતોનું બલિદાન આપવાની બિલકુલ જરૂર નથી. ડિજિટલ સાધનો કેવી રીતે શીખે છે તે સમજીને આપણે ગોપનીયતા જાળવી રાખતી ટેકનોલોજીનો વધુ આત્મવિશ્વાસપૂર્વક ઉપયોગ કરી શકીએ છીએ.