Intel® Tiber™ 聯邦式 AI 安全
保護敏感資料與智慧財產權，同時提升模型準確性。
現處於測試階段 – 用私人資料訓練 AI 模型的一站式聯邦式學習服務
建構者需要多樣化的實際資料集，才能打造強大且普遍可用的 AI 模型，但礙於隱私法規，獲得基於私人與敏感資料的資料集困難重重。聯邦式學習提供一套解決方案，但架構可能難以擴充、管理、操作和部署。
這些挑戰就是 Intel 開發 Intel Tiber Secure Federated AI 的原因，這個一站式服務旨在利用聯邦式學習在私人資料上安全地訓練 AI 模型。
馬上開始
保護敏感資料與智慧財產權，同時提升模型準確性。
Intel® Tiber™ 信任服務
進一步瞭解完整的產品組合。
聯絡顧問
與 Intel 代表展開對話，討論符合您獨有需求的最佳部署。
使用案例
合作醫學研究
醫療保健提供商、醫院、診所和健康研究公司利用 AI 與機器學習模型分析數百萬個患者資料集，協助更完善地瞭解、預測和預防各種類型的疾病。
Intel Tiber Secure Federated AI 可用於訓練 AI/ML 模型，透過將演算法引進資料，允許多方對模型做出貢獻。這有助於提升臨床成效，因為 AI 模型更強大且普遍適用，同時醫院和診所也會維持對敏感患者資料的控制。
早期藥物發現
新型治療法的發現與開發是一個資源密集型的過程，需要專業領域的專業知識。生成式機器學習模型已成為藥物發現的強大工具，但其效能與普遍性在很大程度上仰賴於通常分散於不同研究機構與公司之間的資料。
結合這些資料可擷取更全面且具有代表性的分佈，進而建立更強大的模型。然而，礙於隱私與其他法律上的疑慮、競爭壓力與技術限制，這並不可行。
Intel Tiber Secure Federated AI 可用於訓練這些模型，而無需合併資料集。如此一來，公司行號就能安全合作，進行模型訓練，同時管理對資料隱私的擔憂。
詐欺偵測
AI 與機器學習愈來愈多用於即時偵測詐騙，但許多中小銀行沒有訓練強大偵測模型所需的大量交易資料。多家銀行可以彙集他們的詐騙資料，但礙於監管考量只能作罷。
Intel Tiber Secure Federated AI 可用於在多家銀行安全地訓練詐騙偵測模型，而無需移動資料。如此一來，可透過更準確的詐騙偵測協助減少損失。
常見問題集 (FAQ)
常見問題集
Intel® Tiber™ Secure Federated AI 是一項一站式服務，旨在利用聯邦式學習在私人資料上安全地訓練 AI 模型。它有助於確保資料始終都在資料所有者的監管之下，無論它儲存於本地、公用雲端或私人雲端皆然。該服務使用硬體型安全性、加密方法與演算法技術，協助確保模型與資料的高度隱私與安全性。
聯邦式學習（FL）是一種機器學習技術，可讓 AI 模型在多個分散式裝置或持有本機資料樣本的伺服器上接受訓練，而無需移動資料。聯邦式訓練不是將傳送至中央伺服器，而是允許在每個裝置上進行本機模型訓練，僅共用和彙總模型更新以提升整體模型。這種方法愈來愈能保護資料隱私與安全性，協助確保符合資料主權法，並提供更強大的智慧財產權防護。
Intel Tiber Secure Federated AI 建置於 OpenFL 之上，OpenFL 是 Intel 開發的一款開放原始碼聯邦式學習架構，也是 Linux Foundation LF AI and Data 專案的一環。OpenFL 已在保險業、製藥業和醫療保健等產業廣泛使用，也是唯一獲准在國際太空站使用的聯邦式學習架構。
透過提供 OpenFL 的一站式實作，Intel Tiber Secure Federated AI 為客戶提供兩大關鍵優勢：
簡化配置：提供方便使用的設定流程，協助降低建立聯邦式學習環境所需的複雜性與時間。
增強安全性功能：實施旨在保護敏感資料與模型智慧財產權的零信任安全措施。
模型建置者需要多樣化的實際資料集，才能打造強大且普遍適用的 AI 模型。Intel Tiber Secure Federated AI 旨在利用安全且保護隱私的技術提升模型開發，協助組織在分佈式資料上協作訓練模型。
Intel Tiber Secure Federated AI 旨在透過允許機構使用分散式資料訓練 AI 模型，同時保持資料的安全性與隱私性，實現資料協作。該服務使用硬體型安全性（包括機密運算與硬體與工作負載證明）、加密方法，以及專為模型與資料提供高水準隱私與安全性而設計的演算法技術。
您的資料儲存在聯邦式 AI 系統中的每個資料網站或機構本機，資料所有者保持對其敏感資料集的完全保管，而無需將其集中儲存。這種分散式的方法有助於確保您的資料保持安全和隱私，同時進行協作模型訓練與評估。
請聯絡您的 Intel 代表，進一步瞭解我們的產品與測試計畫。