编辑 | 云鹏
智东西7月12日消息，据外媒Tech Xplore报道，多国研究人员正在联合研究一种新方法，他们希望通过联邦学习的方法，让分拣
机器人更“聪明”。
“我们正研究如何让AI利用算法分析分拣机器人的训练数据，并提出更强大、更高效的分拣方案”，物料搬运和物流研究所（IFL）的乔纳森·奥伯勒（Jo
nathan Auberle）表示。
2016年，McMahan等人首次提出“联邦学习”这一术语。联邦学习实际上是指一种加密的分布式机器学习，可以让各方参与者在不披露底层数据的前提下共建模型。该方案不但能获得更多参与者的信任，而且也打通了机器之间的“数据孤岛”，开始走向“共同发展”。
尽管联邦学习已经提出了5年时间，但依旧面临一些难题。比如，数据传输效率过慢，联邦学习需要传输大量的数据，其数据传输效率对联邦学习的落地
应用较为关键。
一、新算法将协助分拣机器人实现联邦学习
奥伯勒提到，他们希望获得来自不同的分拣站点、工厂和公司分拣机器人机器学习的数据。因为不同类型的分拣机器人机器学习的方式不同。他们想要得到每天正在“打工”的分拣机器人，它们的机器学习数据，而不是某一个分拣机器人的机器学习数据。但这些数据往往会涉及一些敏感数据和公司机密，如产品数据等。
为了解决这一问题，研究人员表示他们希望通过新算法，让不同场景的分拣机器人在不涉及敏感数据的情况下相互学习，即实现联邦学习。
二、本地处理，联邦学习兼顾技术与隐私
奥伯勒提到，“到目前为止，联邦学习主要用于医学领域的图像分析。在该领域，保护患者数据为最高优先级”。
他表示，联邦学习不会交换一些具体的训练数据，例如患者的医疗图像，患者信息等。取而代之的是，它们会存储相关机器学习的知识，并将这些学习数据传输到中央服务器，让其他参与的机器也能从中央服务器获得相关学习数据。
三、提高机器人学习能力，联邦学习还能保护数据多样性乔纳森·奥伯勒认为，利用联邦学习来实现分拣机器人学习主要有两个好处。
一方面，他谈到，“通过联邦学习，我们不但保护了客户的数据，还提高了分拣机器人的分拣速度”。
另一方面，他表示，“通过联邦学习，我们在工业环境中保护了数据多样性和数据安全性”。
结语：联邦学习应用广泛，隐私保护难题或被解决如今，随着人工智能的快速发展，人们在保护数据上不断做出选择。一些公司将用户的隐私放在第一位，另一些公司却以各种理由“泄露”和盗窃数据隐私。但尴尬的是，人工智能相关技术的发展确实离不开大量的用户数据。
目前，联邦学习为这一困境带来新的解决方案。更多的企业和研究机构希望扩大联邦学习的领域，让其不再仅限于医疗领域，能够在全行业得到充分发展。
未来，联邦学习将会给机器学习带来怎样的惊喜，是否会真正成为兼顾数据共享和数据保护技术新的突破点，我们敬请期待。
