Federatyvus mokymasis (angl. Federated Learning) keičia dirbtinio intelekto kūrimo paradigmą, leisdamas modeliams mokytis iš decentralizuotų duomenų be būtinybės juos perkelti į centrinį serverį. Šis metodas tampa esminiu įrankiu sektoriuose, kuriuose duomenų privatumas ir reglamentavimas yra prioritetas.

Kur čia nauda

Pagrindinis šio metodo privalumas – galimybė išlaikyti jautrią informaciją jos saugojimo vietoje. Pavyzdžiui, bankas Banking Circle naudoja federatyvią mokymosi platformą Flower, kad galėtų treniruoti kovos su pinigų plovimu modelius visoje Europoje ir JAV, neperkeldamas jautrių duomenų per sienas. Panašiai veikia ir biotechnologinė įmonė Owkin, kuri perkelia algoritmus tiesiai į ligoninių serverius, užuot centralizavusi pacientų įrašus.

Toks požiūris leidžia įmonėms laikytis griežtų duomenų lokalizavimo taisyklių, tokių kaip Bendrasis duomenų apsaugos reglamentas (BDAR) ar Kinijos asmens informacijos apsaugos įstatymas (PIPL). Tai ypač aktualu Software as a Medical Device (SaMD) rinkoje, kurios vertė, prognozuojama, iki 2035 metų pasieks 80,12 mlrd. USD.

Ribos lieka

Nors technologija žada daug, ji susiduria su techniniais iššūkiais. Federatyvaus mokymosi modeliai gali reikalauti dažnos komunikacijos tarp mazgų, o tai sukuria tinklo apkrovą. Be to, technologijos diegimas reikalauja didelių investicijų – pavyzdžiui, daugiatikslių diagnostinių SaMD tyrimų kaštai svyruoja nuo 3 iki 8 mln. USD, o tai sukuria finansinę atskirtį mažesnėms įmonėms.

Saugumas taip pat išlieka jautria vieta. Kibernetinio saugumo agentūros yra identifikavusios pažeidžiamumų kai kuriose radiologijos SaMD platformose, kas rodo, jog net ir decentralizuotos sistemos išlieka sveikatos IT ekosistemos atakų taikiniu.

Agentinis požiūris į tyrimus

Naujausi pokyčiai rodo perėjimą prie agentinių sistemų. Lifebit pristatė „Agentic Federated Platform“, kurią apibūdina kaip pirmąją visiškai agentinę patikimą tyrimų aplinką. Ši sistema leidžia vartotojams atlikti sudėtingus tyrimus, pavyzdžiui, genominę analizę ar duomenų harmonizavimą, naudojant natūralią kalbą.

Vis dėlto, ši platforma šiuo metu yra beta stadijoje, todėl išsamūs realaus pasaulio našumo duomenys dar nėra prieinami. Tai pabrėžia, kad nors federuotas mokymasis yra perspektyvus, jo pritaikymas plačiu mastu vis dar reikalauja tolesnių technologinių proveržių.

Reguliavimo įtaka rinkai

Reguliacinė aplinka tampa pagrindiniu varikliu. JAV maisto ir vaistų administracijos (FDA) 2023 metų gairės, leidžiančios algoritmų keitimo protokolus, sutrumpino atnaujinimų laiką nuo 14 mėnesių iki mažiau nei 90 dienų. Tai kartu su 2025 metų sausį įsigaliojusiais naujais Category I CPT kodais, leidžiančiais apmokėti už autonomines AI diagnostines interpretacijas, sukuria palankias sąlygas tolesnei plėtrai.

Šie pokyčiai rodo, kad federatyvus mokymasis nebėra tik teorinis modelis. Tai tampa praktiniu sprendimu, leidžiančiu suderinti inovacijas su griežtais privatumo reikalavimais. Artimiausi metai parodys, ar šis modelis taps standartu visose duomenims jautriose industrijose.

Šaltiniai

  1. [1] [Aimultiple.com | Thu, 11 Ju] Federated Learning: 7 Use Cases & Examples
  2. [2] [Marketresearchfuture.com | Fri, 26 Ju] Software as a Medical Device Market Size & Trends 2035
  3. [3] [Annualreviews.org] Federated Learning in Healthcare: From Research to Real-World Deployment