Google为TensorFlow新增隐私保护模块
Google为其机器学习框架TensorFlow新增了隐私保护模块。借助该模块，开发者仅需增加少量代码，即可显著提升人工智能模型的隐私安全水平。
作为构建文本、语音及视觉识别算法的主流工具，TensorFlow通过新增的“TensorFlow Privacy”模块及差分隐私技术，有效保障用户数据安全。此举旨在落实Google去年公布的人工智能开发原则。
Google产品总监Carey Radebaugh表示：
若不在TensorFlow中集成差分隐私等功能，内外团队将难以有效使用它。因此，将其集成并开源，在社区建立生态至关重要。
差分隐私：AI模型的数据安全防线
差分隐私是一种数学方法，能防止基于用户数据训练的AI模型编码可个人识别的信息。Apple在iOS 10及Google在Gmail智能回复等功能中均已采用类似技术。
以Gmail智能回复为例，其训练涉及超十亿用户邮件数据。若不采取保护措施，模型可能向他人精准推荐包含个人隐私的回复内容。因此，TensorFlow引入差分隐私模块，对开发者合规开发及用户隐私保护均具重要意义。
隐私与精度的平衡
需注意，差分隐私会降低AI学习和传递数据的数学精确性，可能导致异常值被掩盖或相关数据丢失。但随着TensorFlow Privacy在全球开放应用，这些问题有望逐步缓解。将隐私概念深度融入AI与机器学习领域，对用户及技术厂商而言均是重大进步。