第1期 2019/04/03
谷歌TensorFlow 2.0：新增兩大模塊保護用戶數據隱私
TensorFlow是由谷歌人工智能團隊“谷歌大腦”開發和維護的一個基于數據流編程的符號數學系統，擁有多層級結構，是一個人工智能框架。TensorFlow 可部署于各類服務器、PC終端和網頁并支持GPU和TPU高性能數值計算，被廣泛應用于各類機器學習算法的編程實現，其前身是谷歌的神經網絡算法庫DistBelief。自2015年11月9日起，TensorFlow依據阿帕奇授權協議（Apache 2.0 open source license）開放源代碼。
3年多后，谷歌發布了TensorFlow 的第二代版本，不僅提升了可用性，增加了Eager Execution的支持，讓TensorFlow 2.0可以更快地啟動AI模型，同時還新增了兩大互補模塊保護用戶數據隱私。
3月初，谷歌推出了其人工智能框架TensorFlow的2.0版本，以及兩個能夠讓算法更負責任地處理用戶數據的互補模塊。
首先，TensorFlow 2.0重點提高了可使用性。為此，其中還接入了基于Keras的簡化應用編程接口。Keras是一種開源工具，能夠使人工智能開發框架更易于使用，它允許工程師在一個位置訪問以前分布在多個API中的功能，并提供更多自定義開發工作流程的選項。
此外，TensorFlow 2.0的另一個關鍵升級是增加了Eager Execution的支持。這讓TensorFlow 2.0可以更快地啟動AI模型，通過更短的測試運行延遲，讓工程師們可以嘗試不同的模型變量。考慮到機器學習開發的高度迭代性，這將節省大量的時間成本。
值得一提的是，盡管TensorFlow 2.0在功能上有了顯著的提升，但這次發布最引人關注的卻是另外兩個互補模塊，這兩個模塊旨在幫助開發人員直接在AI軟件中構建隱私控制，從而更好地保護用戶信息。
其中，第一個模塊是TensorFlow Privacy。通過自動過濾與算法通常接收的信息不同的輸入，機器學習模型就能夠自動篩除潛在敏感數據。例如，基于AI的拼寫檢查工具往往將字母作為輸入，這意味著它可以輕松識別和過濾諸如信用卡號之類的長數字序列。
“TensorFlow Privacy并不要求使用者必須具備隱私或基礎數學方面的專業知識，那些使用標準TensorFlow的開發者也不需要改變他們的模型架構、培訓程序或流程就可以正常使用。”谷歌工程師Carey Radebaugh和Ulfar Erlingsson在博客中這樣說。
另一個新的隱私模塊名為TensorFlow Federated，它主要針對越來越多依賴于AI支持核心功能的移動服務。
由于移動設備的處理能力有限，應用通常會將用戶數據發送到云的后端進行分析，然后通過機器學習對數據進行處理。而TensorFlow Federated讓應用可以直接在用戶手機上執行分析。然后，開發人員可以收集所得到的分析結果，并利用這些結果改進AI算法，而無需再訪問基礎數據。這將大大保護消費者的隱私。
“通過TFF [TensorFlow Federated]，我們可以展示我們所選擇的機器學習模型架構，然后對所有數據進行訓練，并保持每個編寫器的數據的獨立和本地化。”谷歌參與這個項目開發的兩位工程師Alex Ingerman和Krzys Ostrowski在博客文章中這樣寫道。
據了解，與TensorFlow本身相似，這兩個新模塊將以開源許可的形式提供給用戶。
本文章選自《AI啟示錄》雜志，閱讀更多雜志內容，請掃描下方二維碼
