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
