在此前的【消息速遞】HPE Swarm Learning退場(chǎng)：為邊界與散布式站點(diǎn)而生的AI處理計(jì)劃中，咱們?yōu)槟?jiǎn)介了HPE最新頒布的HPE Swarm Learning處理計(jì)劃。成為沖破性的AI處理計(jì)劃，其可以在不侵害信息隱私的狀況下同享和統(tǒng)一AI模型的學(xué)習(xí)成果，加快組織在邊界發(fā)掘洞見(jiàn)。今日，讓咱們更進(jìn)一步了解HPE Swarm Learning，開(kāi)拓它的優(yōu)勢(shì)和有關(guān)用例。HPE Swarm Learning

HPE Swarm Learning由HPE的研究機(jī)構(gòu)Hewlett Packard Labs開(kāi)發(fā)，是業(yè)界第1個(gè)用來(lái)邊界和散布式站點(diǎn)且擁有隱私愛(ài)護(hù)本領(lǐng)的散布式機(jī)械學(xué)習(xí)框架。該處理計(jì)劃為用戶供應(yīng)的容具應(yīng)用HPE swarm API ，可以輕盈地與AI模型集成，讓客戶能夠在組織內(nèi)部或是外部的領(lǐng)域同行間同享AI模型的學(xué)習(xí)成果，進(jìn)而在不同享實(shí)際信息的前提下提高AI訓(xùn)練水準(zhǔn)。為組織帶來(lái)了下列優(yōu)勢(shì)：提升經(jīng)營(yíng)效益進(jìn)而更好地進(jìn)領(lǐng)域務(wù)抉擇無(wú)需移動(dòng)或復(fù)制信息來(lái)提升效益供應(yīng)可擴(kuò)展性和彈性通過(guò)跨組織和跨地域的合作以追隨新?tīng)I(yíng)業(yè)形式的開(kāi)發(fā)

HPE Swarm Learning處理醫(yī)療保健領(lǐng)域痛點(diǎn)

現(xiàn)在，AI處理計(jì)劃正輔助醫(yī)療保健領(lǐng)域提升診療和抉擇的確切性。為了提高確切性，AI模型須要訪問(wèn)更大的信息集，并盡快減小信息誤差。在這一流程中，假設(shè)信息過(guò)于分散，通常會(huì)造成結(jié)果不確切。而在實(shí)際狀況中，匯總醫(yī)療信息通常由于下列原因特別擁有戰(zhàn)斗性，進(jìn)而由于信息分散減低結(jié)果的確切性：HIPAA和GDPR等信息隱私法規(guī)制止同享信息信息一切權(quán)制止了醫(yī)院間或跨地域間的信息同享帶寬本錢(qián)或必需借用存儲(chǔ)資源復(fù)制信息造成的效益低落

而采取HPE Swarm Learning后，上述窘境迎刃而解。醫(yī)療保健組織能夠在信息源處應(yīng)用批量散布式信息施行AI模型訓(xùn)練，而無(wú)需移動(dòng)信息。同時(shí)，每個(gè)信息的一切者全是平等的協(xié)作同伴，解除了對(duì)于信息一切權(quán)的爭(zhēng)論，信息源之間的合作能夠在不侵害隱私的狀況下進(jìn)行。

群體學(xué)習(xí)技術(shù)發(fā)掘頂尖醫(yī)學(xué)洞見(jiàn)

毫簡(jiǎn)直問(wèn)，群體學(xué)習(xí)技術(shù)將重塑醫(yī)療保健和生命科學(xué)領(lǐng)域。比如，在個(gè)性化患者護(hù)理、更確切的醫(yī)療診療、變短新藥和療法的上市時(shí)間，并且更快的重病研發(fā)等行業(yè)，群體學(xué)習(xí)技術(shù)都被證實(shí)有極大后勁，讓咱們來(lái)看兩則案例：

用例一：

德國(guó)神經(jīng)退行性重病核心 (DZNE) 基于約30000名患者的健康信息開(kāi)發(fā)重病治愈方式，此中含蓋阿爾茨海默氏癥和帕金森氏癥等常見(jiàn)重病。DZNE的科學(xué)家們?cè)诓扇∪后w學(xué)習(xí)技術(shù)后，可以治理巨大的研發(fā)信息池，并和其余機(jī)構(gòu)同享有關(guān)研發(fā)看法，而這所有全是在遵照當(dāng)?shù)睾陀嘘P(guān)專(zhuān)業(yè)行業(yè)的隱私標(biāo)準(zhǔn)下進(jìn)行的。簡(jiǎn)言之，群體學(xué)習(xí)技術(shù)讓DZNE在重病研發(fā)中更快、更理智地獲得和同享要害洞見(jiàn)，并做出抉擇。

用例二：

在某個(gè)胸部X光片的肺部重病探測(cè)用例中，患者信息散布在3個(gè)地方。不同地方的醫(yī)院在探測(cè)時(shí)存在局部誤差，群體學(xué)習(xí)模型可以在醫(yī)院信息有限的狀況下探測(cè)到這類(lèi)重病，并解除該類(lèi)型的局部信息誤差。結(jié)果顯現(xiàn)，群體學(xué)習(xí)提升了醫(yī)療模型的確切性和診療品質(zhì)，到達(dá)了約70%的確切性。

不單是醫(yī)療保健領(lǐng)域和生命科學(xué)行業(yè)， HPE Swarm Learning幾乎能夠?yàn)橐磺蓄I(lǐng)域帶來(lái)踴躍牽連，特別在金融、生產(chǎn)、石油和天然氣等領(lǐng)域具有廣大的運(yùn)用遠(yuǎn)景。