אבטחת מידע

במשך עשרות שנים, אבטחת סייבר הייתה משחק חתול ועכבר המבוסס על חתימות (signatures). כאשר התגלה סוג חדש של נוזקה או אקספלויט, חוקרי אבטחה ניתחו אותו, חילצו חתימה דיגיטלית ייחודית והפיצו אותה למאגרי המידע של האנטי-וירוס. אך להגנה מבוססת חתימות יש פגם קריטי: היא פועלת לחלוטיن בצורה תגובתית (reactive). היא אינה יכולה לעצור את מה שלא ראתה מעולם.

בצינור העבודה המסורתי של למידת מכונה, איסוף נתונים הוא השלב הראשון ולעתים קרובות היקר ביותר. כדי לאמן מודל, עליך לאסוף נתוני משתמש גולמיים – כמו תמונות, הודעות טקסט, רשומות רפואיות או עסקאות פיננסיות – ולהעלות אותם לשרת ענן מרכזי. למרות שהגישה המרכזית הזו הניעה את מהפכת ה-AI, היא ניצבת בפני אתגרים משמעותיים: דאגות פרטיות: משתמשים נמנעים יותר ויותר מלהעלות נתונים פרטיים לשרתים של צד שלישי. רגולציית נתונים: חוקים כמו GDPR ו-HIPAA מגבילים באופן קפדני את אופן ההעברה והאחסון של מידע אישי. עלויות רוחב פס: העלאת ג’יגה-בייטים של נתונים גולמיים ממיליוני מכשירי קצה (כמו סמארטפונים) היא מאוד לא יעילה. למידה פדרטיבית (Federated Learning - FL) פותרת את הבעיות הללו על ידי הפיכת הפרדיגמה המסורתית על פיה. במקום להביא את הנתונים אל המודל, היא מביאה את המודל אל הנתונים.