A Avast, fornecedora de soluções de cibersegurança, e a Borsetta, empresa de serviços de hardware de computador baseado em software de AI, anunciaram que se juntarão à Intel no lançamento do Instituto Privado de Pesquisa Colaborativa em Inteligência Artificial. O propósito da nova colaboração será avançar e desenvolver tecnologias que fortaleçam a privacidade e a confiança para inteligência artificial descentralizada.
CONTEÚDO RELACIONADO – Huawei lança ecossistema de inovação para aplicações em computação em nuvem e inteligência artificial
Este programa foi originalmente estabelecido pela University Research & Collaboration Office (URC) da Intel que, então, expandiu o potencial de colaboração do instituto convidando a Avast e a Borsetta para unir forças. Juntas, as partes lançaram uma chamada para propostas de pesquisas no início deste ano e selecionaram os primeiros nove projetos a serem apoiados pelo Instituto de Pesquisa Colaborativa em Inteligência Artificial, em oito universidades:
- Carnegie Mellon University, nos EUA
- Universidade da Califórnia, em San Diego, nos EUA
- University of Southern California, nos EUA
- Universidade de Toronto, no Canadá
- Universidade de Waterloo, no Canadá
- Universidade Técnica de Darmstadt, na Alemanha
- Université Catholique de Louvain, na Bélgica
- National University of Singapore, em Singapura
O Instituto Privado de Pesquisa Colaborativa em AI irá encorajar e apoiar pesquisas para a solução de desafios da inteligência artificial. Ele será dedicado à adoção de uma abordagem ética voltada ao desenvolvimento desta tecnologia e visa descentralizar a AI e mover as análises relacionadas para a borda de rede. Entre os desafios estão:
- Dados de treinamento descentralizados em silos isolados e frequentemente inacessíveis para treinamento centralizado;
- As atuais soluções que exigem um único data center confiável são frágeis – o treinamento centralizado pode ser facilmente atacado, modificando os dados em qualquer ponto entre a coleta e a nuvem;
- Modelos centralizados tornam-se obsoletos rapidamente, pois os dados na borda mudam com frequência. Hoje, ciclos de lote infrequentes para coleta, treinamento e implantação podem levar a modelos desatualizados. Um retreinamento contínuo e diferenciado não é possível;
- Os recursos de computação centralizados são caros e limitados por comunicação e latência.
- Aprendizado de máquina federado – uma técnica usada para treinar um algoritmo em múltiplos dispositivos descentralizados de borda – é limitado. Embora a atual inteligência artificial federada possa acessar dados na borda, ela não pode garantir simultaneamente precisão, privacidade e segurança.
Participe das comunidades IPNews no Facebook, LinkedIn e Twitter.
