Intel® Tiber™ Secure Federated KI
Schützen Sie vertrauliche Daten und geistiges Eigentum und verbessern Sie gleichzeitig die Modellgenauigkeit.
Jetzt in Beta-Version – Ein schlüsselfertiger föderierter Lerndienst zum Trainieren von KI-Modellen mit privaten Daten
Entwickler benötigen vielfältige, reale Datensätze, um robuste und verallgemeinerbare KI-Modelle zu erstellen. Datenschutzbestimmungen erschweren es jedoch, Datensätze, die auf privaten und sensiblen Daten basieren, zu erhalten. Federated Learning bietet eine Lösung, aber die Architektur kann schwierig zu skalieren, zu verwalten, zu betreiben und bereitzustellen sein.
Diese Herausforderungen sind der Grund, warum Intel Intel Tiber Secure Federated KI entwickelt hat, einen schlüsselfertigen Dienst, der entwickelt wurde, um KI-Modelle mit privaten Daten mit föderiertem Lernen sicher zu trainieren.
Einstieg in die Thematik
Schützen Sie vertrauliche Daten und geistiges Eigentum und verbessern Sie gleichzeitig die Modellgenauigkeit.
Intel® Tiber™ Trust-Services
Erfahren Sie mehr über das gesamte Portfolio.
Berater kontaktieren
Starten Sie die Konversation mit einem Vertreter von Intel, um die beste Bereitstellung für Ihren individuellen Bedarf zu ermitteln.
Produktvorteile
Intel Tiber Secure Federated KI verwendet hardwarebasierte Sicherheit, Kryptografie und algorithmische Techniken, um ein hohes Sicherheitsniveau für Modelle und Daten sicherzustellen. Durch die Bereitstellung einer schlüsselfertigen Implementierung von OpenFL bietet der Dienst unseren Kunden mehrere wichtige Vorteile.
Verbesserte Sicherheit und verbesserter Datenschutz
Implementiert Zero-Trust-Sicherheitsmaßnahmen, um vertrauliche Daten und Modelle geistigen Eigentums zu schützen.
Verbesserte Modellgenauigkeit
Trainieren Sie Ihre KI-Produkte mit einem größeren und vielfältigeren Datensatz, um Qualität und Verallgemeinerbarkeit zu verbessern.
Betriebliche Effizienz
Kontrollieren Sie die Kosten, indem Sie den Aufwand für Datenduplizierung und -redigierung reduzieren.
Einhaltung der Vorschriften
Setzen Sie die Zugriffskontrolle durch, wer Ihre Daten verwendet und wie sie verwendet werden.
Auf der Grundlage von OpenFL aufbauen
Intel Tiber Secure Federated KI basiert auf OpenFL, einem Open-Source-föderierten Lern-Framework.
Anstatt Daten an einen zentralen Server zu senden, ermöglicht föderiertes Training das Modelltraining lokal auf jedem Gerät, wobei nur die Modellaktualisierungen gemeinsam genutzt und aggregiert werden, um das Gesamtmodell zu verbessern. Dies trägt dazu bei, Datenschutz und -sicherheit zu gewährleisten, die Anforderungen an die Datenhoheit einzuhalten und geistiges Eigentum zu schützen.
OpenFL wurde in mehreren Branchen weit verbreitet und ist das einzige föderierte Lern-Framework, das für die Verwendung auf der Internationalen Raumstation zugelassen ist.
Anwendungsfälle
Gemeinsame medizinische Forschung
Gesundheitsdienstleister, Krankenhäuser, Kliniken und Gesundheitsforschungsunternehmen haben KI- und maschinelle Lernmodelle verwendet, um Millionen von Patientendatensätzen zu analysieren, um verschiedene Arten von Krankheiten und Beschwerden besser zu verstehen, vorherzusagen und zu verhindern.
Intel Tiber Secure Federated KI kann verwendet werden, um KI/ML-Modelle zu trainieren, was es mehreren Parteien ermöglicht, zu dem Modell beizutragen, indem sie den Algorithmus in die Daten bringen. Dies trägt dazu bei, die klinischen Ergebnisse zu verbessern, da die KI-Modelle robuster und verallgemeinerbarer sind, während Krankenhäuser und Kliniken die Kontrolle über vertrauliche Patientendaten behalten.
Frühe Medikamentenerkennung
Die Entdeckung und Entwicklung neuartiger Therapeutika ist ein ressourcenintensiver Prozess, der spezialisiertes Domänen-Know-how erfordert. Generative maschinelle Lernmodelle haben sich als leistungsstarke Werkzeuge für die Arzneimittelforschung herausgestellt, aber ihre Leistung und Verallgemeinerbarkeit hängen stark von Daten ab, die oft über verschiedene Forschungseinrichtungen und Unternehmen isoliert sind.
Die Kombination dieser Daten könnte eine umfassendere und repräsentativere Verteilung erfassen, die zu einem robusteren Modell führt. Dies ist jedoch aufgrund von Datenschutz- und anderen rechtlichen Bedenken, Wettbewerbsdruck und technischen Einschränkungen nicht durchführbar.
Intel Tiber Secure Federated KI kann verwendet werden, um diese Modelle zu trainieren, ohne Datensätze zu kombinieren. Dies ermöglicht es Unternehmen, sicher an Modelltraining zusammenzuarbeiten und gleichzeitig Bedenken hinsichtlich des Datenschutzes zu verwalten.
Betrugserkennung
KI und maschinelles Lernen werden zunehmend eingesetzt, um Betrug in Echtzeit zu erkennen, aber viele kleine und mittelständische Banken verfügen nicht über das Volumen an Transaktionsdaten, das erforderlich ist, um ein robustes Erkennungsmodell zu trainieren. Mehrere Banken könnten ihre Betrugsdaten bündeln, können dies aber nicht aus regulatorischen Bedenken.
Intel Tiber Secure Federated KI kann verwendet werden, um Betrugserkennungsmodelle über mehrere Banken hinweg sicher zu trainieren, ohne Daten zu verschieben. Dies kann dazu beitragen, Verluste durch genauere Betrugserkennung zu reduzieren.
FAQs
Häufig gestellte Fragen
Intel® Tiber™ Secure Federated KI ist ein schlüsselfertiger Dienst, der entwickelt wurde, um KI-Modelle mit privaten Daten mit föderiertem Lernen sicher zu trainieren. Es trägt dazu bei, sicherzustellen, dass Daten immer in der Obhut des Dateneigentümers bleiben, unabhängig davon, wo sie gespeichert sind - vor Ort, in der Public Cloud oder in der Private Cloud. Der Dienst verwendet hardwarebasierte Sicherheit, kryptografische Methoden und algorithmische Techniken, um ein hohes Maß an Datenschutz und Sicherheit für Modelle und Daten sicherzustellen.
Federated Learning (FL) ist eine maschinelle Lerntechnik, die es ermöglicht, KI-Modelle über mehrere dezentrale Geräte oder Server hinweg zu trainieren, die lokale Datenproben enthalten, ohne sie zu verschieben. Anstatt Daten an einen zentralen Server zu senden, ermöglicht lokales Training des Modells auf jedem Gerät, wobei nur die Modellaktualisierungen gemeinsam genutzt und aggregiert werden, um das Gesamtmodell zu verbessern. Diese Methode gewährleistet zunehmend Datenschutz und -sicherheit, trägt dazu bei, die Einhaltung der Gesetze zur Datenhoheit sicherzustellen, und bietet erweiterten Schutz geistigen Eigentums.
Intel Tiber Secure Federated KI basiert auf OpenFL, einem Open-Source-föderierten Lern-Framework, das von Intel als Teil des Linux Foundation LF KI- und Datenprojekts entwickelt wurde. OpenFL wurde in Branchen wie Versicherungen, Pharmazeutika und dem Gesundheitswesen weit verbreitet und ist das einzige föderierte Lern-Framework, das für die Verwendung auf der Internationalen Raumstation zugelassen ist.
Durch die Bereitstellung einer schlüsselfertigen Implementierung von OpenFL bietet Intel Tiber Secure Federated KI unseren Kunden zwei wichtige Vorteile:
Vereinfachte Konfiguration: Bietet einen benutzerfreundlichen Setup-Prozess, der dazu beiträgt, die Komplexität und die Zeit zu reduzieren, die für die Einrichtung föderierter Lernumgebungen erforderlich sind.
Erweiterte Sicherheitsfunktionen: Implementiert Zero-Trust-Sicherheitsmaßnahmen, die entwickelt wurden, um vertrauliche Daten zu schützen und geistiges Eigentum zu modellieren.
Modellbauer benötigen vielfältige, reale Datensätze, um robuste und verallgemeinerbare KI-Modelle zu erstellen. Intel Tiber Secure Federated KI wurde entwickelt, um die Modellentwicklung mit sicheren, datenschutzschützenden Techniken zu verbessern, die Organisationen helfen, gemeinsam Modelle mit verteilten Daten zu trainieren.
Intel Tiber Secure Federated KI wurde entwickelt, um die Datenzusammenarbeit zu ermöglichen, indem es Institutionen ermöglicht, KI-Modelle mit dezentralen Daten zu trainieren und gleichzeitig sicher und privat zu halten. Der Dienst verwendet hardwarebasierte Sicherheit (einschließlich vertraulicher Berechnung sowie Hardware- und Workload-Bescheinigung), kryptografische Methoden und algorithmische Techniken, die für ein hohes Maß an Datenschutz und Sicherheit für Modelle und Daten entwickelt wurden.
Ihre Daten werden lokal an jedem Datenstandort oder jeder Institution in einem föderierten KI-System gespeichert, in dem Dateneigentümer die volle Verwahrung ihrer vertraulichen Datensätze behalten, ohne sie zentralisieren zu müssen. Dieser dezentrale Ansatz trägt dazu bei, sicherzustellen, dass Ihre Daten sicher und privat bleiben, während er kollaboratives Modelltraining und -bewertung ermöglicht.
Wenden Sie sich an Ihren Intel Vertreter, um weitere Informationen über unser Produkt und unser Betaprogramm zu erhalten.