A federált tanulás olyan módszer, amely lehetővé teszi, hogy több eszköz közösen tanítson egy modellt anélkül, hogy az adatokat központilag összegyűjtenék.
Az adatok az adott eszközön maradnak (pl. okostelefonon), és csak a tanulás eredményeit (modellfrissítéseket) osztják meg. Így az adatvédelem sokkal jobban biztosítható.
Egyensúlyt teremt a hatékony AI fejlesztés és a személyes adatok védelme között.
Google billentyűzet (Gboard) szövegjóslás, amely az egyéni felhasználói adatokat nem osztja meg központilag.
Az adat minden olyan információ, amit az AI rendszerek feldolgoznak, és amiből tanulnak.
Az adatbiztonság az adatokat védő technológiák és eljárások összessége, amelyek megakadályozzák az illetéktelen hozzáférést, módosítást vagy lopást.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
Az on-premise AI egy olyan AI-rendszer, amelyet a vállalkozás saját szerverein vagy eszközein futtat.
A paraméterek a modell belső értékei, amelyek a tanulási folyamat során beállítódnak.
Az AI skálázhatósága azt jelenti, hogy a rendszer mennyire képes nagyobb adatmennyiségen vagy több felhasználóval is hatékonyan működni.
A személyre szabás során a mesterséges intelligencia egyéni igényekhez igazítja a tartalmat, termékeket vagy szolgáltatásokat.
A transfer learning olyan módszer, amelyben egy előre betanított modellt új feladatra finomhangolnak.
