爱动超越受邀参加FATE× KubeFATE技术实践沙龙

时间:2021-05-07

来源:微信公众号

近日,由VMware中国研发中心和微众银行联合主办的FATE× KubeFATE技术实践沙龙-北京站顺利举办,爱动超越人工智能高级算法工程师曹喜乐受邀参与此次活动,和大家分享了“联邦学习在工业车辆及工程机械设备碰撞识别场景中的应用”,就如何使用联邦学习解决数据孤岛问题、联邦学习的应用框架及建模流程进行了介绍。

近年来,人工智能技术处于高速发展期,在各行各业有着广泛的应用。而数据在整个人工智能产业发展的过程中发挥着核心角色,智能语音识别、图像识别、深度学习训练等等,无不依赖于数据及承载数据的基础设施。然而在实际的应用落地场景中,由于涉及到隐私保护问题,数据被分散在不同企业或者终端,不能直接共享或交换,形成“数据孤岛”。

如何解决这些难题?联邦学习给出了答案。

联邦学习如何打破“数据孤岛”?

联邦学习是一种保障数据安全的机器学习建模方法,它能够在参与方数据不出本地、保护数据安全和隐私的情况下实现共同建模,提升机器学习模型的效果。

实现联邦建模首先需要参与方分别提供数据,其次,利用算法对这些样本进行加密对齐;最后,在数据不出本地的情况下进行加密模型训练。

在模型训练的过程中,数据本身不移动,不会泄露隐私,建好的模型在各自的区域仅为本地的目标服务。通过这样一个联邦机制,数据背后的知识、经验都被挖掘、整理出来,所有贡献数据的参与者都有同等的权利、获得同等的回馈。联邦系统帮助各方打破“数据孤岛”,实现“共同富裕”,是共同获益的机制。

联邦学习在车辆碰撞识别场景中的应用

在作业环境复杂的工业场景中,总是避免不了发生碰撞事故,造成人员伤亡和财产损失。因此,通过对车辆进行碰撞识别从而获取驾驶员操作习惯,降低事故发生率,就显得尤为重要。而工业设备数据作为企业重要的资产,面临着严重的数据孤岛问题。爱动超越基于自身的技术优势和行业资源,将联邦学习技术引入到车辆碰撞识别场景中,既解决了车辆碰撞识别模型训练面临的数据质量低、数据量少等问题,又有效保证了企业的核心资产没有外流。从而使每一家企业都能享受到数据价值带来的赋能作用,促进了行业整体发展。

联邦学习在打破各领域、各行业的数据壁垒方面提供了强有力的帮助,联邦学习在工业车辆领域的成功落地,标志着爱动在人工智能领域的探索又迈出新步伐,未来,爱动将不断实现提升技术创新能力,在极具前景的工业互联网领域挖掘联邦学习的新应用!

爱动超越作为一家成熟的工业互联网服务商,在工业互联网行业不断发展和深入,致力于通过AI、5G、IoT、边缘计算、云计算、工业智能等多种前沿技术的创新突破,为产业化发展提供专家级工业互联网服务。让更多企业和劳动者,享受到人工智能的强大支持。

我们在设备管理、精细运营、工业安全等领域提供丰富的产品和解决方案,促进产业转型升级,助力“新基建”高质量发展。目前我们已经服务30多个行业,有数百个企业、数十万人享受到了我们的智能技术带来的效率和安全性提升。