第1期 2019/04/03
谷歌TensorFlow 2.0：新增兩大模塊保護用戶數(shù)據(jù)隱私
TensorFlow是由谷歌人工智能團隊“谷歌大腦”開發(fā)和維護的一個基于數(shù)據(jù)流編程的符號數(shù)學(xué)系統(tǒng)，擁有多層級結(jié)構(gòu)，是一個人工智能框架。TensorFlow 可部署于各類服務(wù)器、PC終端和網(wǎng)頁并支持GPU和TPU高性能數(shù)值計算，被廣泛應(yīng)用于各類機器學(xué)習(xí)算法的編程實現(xiàn)，其前身是谷歌的神經(jīng)網(wǎng)絡(luò)算法庫DistBelief。自2015年11月9日起，TensorFlow依據(jù)阿帕奇授權(quán)協(xié)議（Apache 2.0 open source license）開放源代碼。
3年多后，谷歌發(fā)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(shù)據(jù)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(fù)責(zé)任地處理用戶數(shù)據(jù)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(yīng)用編程接口。Keras是一種開源工具，能夠使人工智能開發(fā)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(fā)工作流程的選項。
此外，TensorFlow 2.0的另一個關(guān)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�？紤]到機器學(xué)習(xí)開發(fā)的高度迭代性，這將節(jié)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(fā)布最引人關(guān)注的卻是另外兩個互補模塊，這兩個模塊旨在幫助開發(fā)人員直接在AI軟件中構(gòu)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(xué)習(xí)模型就能夠自動篩除潛在敏感數(shù)據(jù)。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(shù)字序列。
“TensorFlow Privacy并不要求使用者必須具備隱私或基礎(chǔ)數(shù)學(xué)方面的專業(yè)知識，那些使用標(biāo)準(zhǔn)TensorFlow的開發(fā)者也不需要改變他們的模型架構(gòu)、培訓(xùn)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(wù)。
由于移動設(shè)備的處理能力有限，應(yīng)用通常會將用戶數(shù)據(jù)發(fā)送到云的后端進行分析，然后通過機器學(xué)習(xí)對數(shù)據(jù)進行處理。而TensorFlow Federated讓應(yīng)用可以直接在用戶手機上執(zhí)行分析。然后，開發(fā)人員可以收集所得到的分析結(jié)果，并利用這些結(jié)果改進AI算法，而無需再訪問基礎(chǔ)數(shù)據(jù)。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(xué)習(xí)模型架構(gòu)，然后對所有數(shù)據(jù)進行訓(xùn)練，并保持每個編寫器的數(shù)據(jù)的獨立和本地化。”谷歌參與這個項目開發(fā)的兩位工程師Alex Ingerman和Krzys Ostrowski在博客文章中這樣寫道。
據(jù)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《數(shù)字化轉(zhuǎn)型方略》雜志，閱讀更多雜志內(nèi)容，請掃描下方二維碼
