谷歌發布帶有構建隱私意識AI的工具的TensorFlow

Google LLC今天推出了TensorFlow的新版本，其流行的人工智能框架以及一對互補模塊，旨在使算法能夠更負責任地處理用戶數據。

TensorFlow 2.0主要致力于提高可用性。該版本帶來了基于Keras的簡化的應用程序編程接口，Keras是一種開放源代碼工具，旨在使AI開發框架更易于使用。它使工程師能夠在一處訪問以前分散在多個API中的功能，并提供了更多選項來自定義開發工作流程。

另一個重要的增強功能是增加了對所謂的“急切執行”的支持。TensorFlow 2.0能夠比以前的版本更快地啟動AI模型，這使工程師可以嘗試不同的模型變化，并在測試運行之間延遲更短。考慮到機器學習開發的高度迭代性，這有可能節省大量時間。

盡管TensorFlow 2.0有了重大改進，但與該版本一同推出的兩個附帶工具卻引起了業界的最大關注。它們旨在幫助開發人員直接在其AI軟件中構建隱私控制，以更好地保護用戶信息。

第一個模塊TensorFlow Privacy使機器學習模型可以丟棄不應處理的潛在敏感數據。它通過自動過濾與算法通常攝取的信息不同的輸入來實現。例如，基于AI的拼寫檢查工具通常會將字母作為輸入，這意味著很容易識別和過濾諸如信用卡號之類的長數字序列。

Google工程師Carey Radebaugh和Ulfar Erlingsson在博客中詳細介紹：“使用TensorFlow Privacy，不需要任何隱私或其基礎數學方面的專業知識：使用標準TensorFlow機制的人員不必更改其模型架構，培訓過程或流程，”發布。

Google的另一個新的隱私模塊稱為TensorFlow Federated。該軟件針對越來越多的依靠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，應用程序通常通過將用戶數據發送到基于云的后端進行分析來處理機器學習的學習方面。TensorFlow Federated使應用程序可以直接在用戶的手機上執行分析。然后，開發人員可以收集所得到的見解，并使用它們來改進其AI算法，而不必訪問基礎數據，從而為消費者增加了隱私。

“借助TFF [TensorFlow Federated]，我們可以表達我們選擇的ML模型架構，然后在所有作者提供的數據上訓練它，同時保持每個作者的數據分別和局部。”兩位工程師Alex Ingerman和Krzys Ostrowski誰幫助開發該項目，在一個單獨的寫帖子。

與TensorFlow本身非常相似，新模塊可在開源許可下使用。