Om man använder en Google-modell och tränar den på sin egen instans, behåller Google de förbättringar som gjorts från träningsdatan?
När du använder en Google-modell och tränar den på din egen instans beror frågan om huruvida Google behåller förbättringarna från din träningsdata på flera faktorer, inklusive den specifika Google-tjänsten eller det specifika Google-verktyget du använder och de användarvillkor som är kopplade till det verktyget. I samband med Google Clouds maskininlärningstjänster kräver förståelsen av hur data hanteras en närmare titt på den underliggande arkitekturen och de policyer som styr datasekretess och användning.
Google Cloud erbjuder en mängd olika maskininlärningstjänster och verktyg, som Google Cloud AI Platform, TensorFlow och AutoML, var och en med sin egen uppsättning funktioner och möjligheter. När du tränar en modell med hjälp av dessa tjänster finns det viktiga överväganden när det gäller datasekretess och modelluppdateringar.
1. Dataägande och integritet: Google Clouds användarvillkor föreskriver i allmänhet att kunder behåller äganderätten till sin data. Det betyder att all data du använder för att träna en modell på Google Cloud förblir din egendom. Google strävar efter att skydda kunddatas integritet och konfidentialitet, och dess molntjänster är utformade för att säkerställa efterlevnad av olika dataskyddsbestämmelser, såsom GDPR.
2. Modellutbildning och förbättringar: När du tränar en maskininlärningsmodell med hjälp av Google Cloud-tjänster delas förbättringar eller uppdateringar av modellen som ett resultat av din träningsdata vanligtvis inte med Google om inte annat uttryckligen anges. Den utbildade modellen och eventuella förbättringar som härrör från din data förblir inom din kontroll och införlivas inte automatiskt i Googles globala modeller.
3. Federerat lärande: I vissa scenarier använder Google tekniker som federerad inlärning, där modellförbättringar sammanställs från flera källor utan att dela underliggande data. I sådana fall skickas endast modelluppdateringar tillbaka till en central server och enskilda datapunkter delas inte. Detta är dock ett specifikt tillvägagångssätt och gäller inte universellt för alla Google Clouds maskininlärningstjänster.
4. Tjänstespecifika policyer: Det är viktigt att läsa igenom de specifika villkoren för den Google Cloud-tjänst du använder. Vissa tjänster kan erbjuda alternativ för att bidra till en delad modell eller dra nytta av kollektiva förbättringar, men dessa skulle kräva uttryckligt samtycke och deltagande.
5. Praktiskt exempel: Tänk på ett scenario där du använder Google AI Platform för att träna en anpassad bildigenkänningsmodell för ditt företag. Du laddar upp din datauppsättning, tränar modellen och uppnår förbättrad noggrannhet. Enligt Google Clouds standardpraxis behålls förbättringarna av din modell i ditt projekt, och Google har inte tillgång till eller använder dessa förbättringar för sina egna syften. Din utbildade modell förblir isolerad från Googles förutbildade modeller om du inte väljer att dela den genom en specifik funktion eller ett specifikt program som involverar samarbete.
När du tränar en Google-modell på din egen instans, behålls förbättringarna som gjorts från din träningsdata i allmänhet i din miljö och delas inte med Google, såvida det inte finns ett specifikt avtal eller en funktion som underlättar sådan delning. Det är viktigt att förstå tjänstevillkoren och policyer för datahantering för den särskilda Google Cloud-tjänst du använder.
Andra senaste frågor och svar ang EITC/AI/GCML Google Cloud Machine Learning:
- Hur ersätter Keras-modeller TensorFlow-estimatorer?
- Hur konfigurerar man en specifik Python-miljö med en Jupyter-anteckningsbok?
- Hur använder man TensorFlow-servingar?
- Vad är Classifier.export_saved_model och hur använder man det?
- Varför används regression ofta som en prediktor?
- Är Lagrange-multiplikatorer och kvadratiska programmeringstekniker relevanta för maskininlärning?
- Kan mer än en modell tillämpas under maskininlärningsprocessen?
- Kan maskininlärning anpassa vilken algoritm som ska användas beroende på ett scenario?
- Vilken är den enklaste vägen till grundläggande didaktisk AI-modellträning och implementering på Google AI-plattformen med hjälp av en gratisnivå/testperiod med en GUI-konsol steg för steg för en absolut nybörjare utan programmeringsbakgrund?
- Hur tränar och distribuerar man praktiskt en enkel AI-modell i Google Cloud AI Platform via GCP-konsolens grafiska gränssnitt i en steg-för-steg-handledning?
Se fler frågor och svar i EITC/AI/GCML Google Cloud Machine Learning