解锁协作人工智能的潜力–关于联邦机器学习的社会技术挑战

​

Unlocking the Potential of Collaborative AI — On the Socio-technical
Challenges of Federated Machine Learning

解决问题：本文旨在探讨联邦机器学习的社会技术挑战，以及如何解决多方数据共享的协作业务模式。现有文献缺乏在这一领域成功实现协作AI项目的指导方针。

关键思路：本文提出了一种新的AI范式——联邦机器学习，它可以从分散的、潜在的数据孤岛中创建AI模型。这一思路可以打开数据孤岛，释放经济潜力。然而，这需要拥有数据孤岛的多个方之间的协作。为了成功实现协作AI项目，需要解决协作业务模式的复杂性问题。本文通过系统的文献综述、焦点小组和专家访谈，提供了一系列社会技术挑战的系统化收集，以及一个扩展的商业模式画布，用于评估协作AI项目的初步可行性。

其他亮点：本文提供了一个实用的商业模式画布，用于评估协作AI项目的可行性。此外，本文还探讨了联邦机器学习的挑战和解决方案。该研究使用了系统化的文献综述、焦点小组和专家访谈等方法，具有较高的可信度和可重复性。本文的工作值得进一步深入研究，以推进协作AI项目的实现。

关于作者：Tobias Müller、Milena Zahn和Florian Matthes是本文的主要作者。他们分别来自德国慕尼黑工业大学和慕尼黑工业大学信息系统系。在过去的研究中，他们分别从事过领域建模、企业架构和信息管理等领域的研究。

相关研究：近期的相关研究包括：

• “Federated Machine Learning: Concept and Applications”，作者：Yang Liu、Tianjian Chen、Qiang Yang，机构：香港科技大学；
• “Federated Learning for Healthcare Informatics”，作者：Wei Li、Qi Li、Fenglong Ma，机构：南京大学。

论文摘要：这篇名为“解锁协作人工智能潜力——关于联邦机器学习的社会技术挑战”的论文中，作者提到人工智能系统的颠覆性潜力源于大数据的出现。然而，大量数据分散并被锁在数据孤岛中，其潜力未被发掘。联邦机器学习是一种新的人工智能范例，可以从分散的、潜在的孤立数据中创建人工智能模型。因此，联邦机器学习在技术上可以打开数据孤岛，从而释放经济潜力。然而，这需要拥有数据孤岛的多个方之间的合作。建立协作业务模式是复杂的，通常是失败的原因。目前的文献缺乏指导方针，说明必须考虑哪些方面才能成功实现协作人工智能项目。本研究通过系统的文献综述、焦点小组和专家采访，探讨了现有协作业务模式的挑战以及联邦机器学习的不同方面。通过系统化的收集社会技术挑战和扩展的商业模式画布，为协作人工智能项目的初步可行性评估提供了系统化的指导。

​Read More