HPE推出边缘与分散式架构AI群体学习方案 开启AI创新时代

Hewlett Packard Enterprise（HPE）推出HPE群体学习(HPE Swarm Learning)创新AI解决方案，加速从前端资料获得所需的洞察。从病人疾病诊断资料到防诈骗侦测前端信用卡交易资料等应用，让客户在不侵犯资料隐私的情况下，跨地点或组织共享与统合AI模型的学习内容。

HPE群体学习解决方案(Swarm Learning)运作过程。

由HPE研发单位惠普实验室开发的HPE群体学习解决方案，是业界第一个能保护资料隐私的分散式机器学习架构1。这个专为前端与分散式资料设计的解决方案，提供客户透过HPE群体学习API，可轻松整合AI模型，使用者可以立即与组织内部同仁以及外部组织共用AI模型的学习内容，提升训练成效，而不需要共用实际的资料。

HPE执行副总裁暨HPC与AI部门总经理Justin Hotard表示，「群体学习是强大的AI创新技术，并已在全球应用需求上取得了进展，例如提升病患医疗保健、改善异常侦测，以及协助侦测诈骗行为和预测性维护」，「HPE让群体学习取得更重大的发展，借由HPE的企业级解决方案，企业组织可以在各自的伦理规范、资料隐私要求与公司治理标准下进行合作与创新，并加速运用AI模型的能力。」

导入创新AI方法，安全运用前端资料的洞察

今日大多数的AI模型训练都需要依靠集中整合多源资料在单一地点进行，使用者需要搬移大量资料至同一个资料中心，不仅缺乏效率又相当昂贵。这种做法也受限于资料共享与移动产生资料隐私与所有权规则与规范的限制，易导致不精准或有偏差的模型出现。借由在前端训练模型并从前端获得洞察力，企业组织可以在关键时刻更快做出决策，并获得更佳的使用体验与成效。也可让不同企业组织在不同资料来源间分享学习内容，也能促进各产业的合作并改善智慧化能力，进而创造出优异的商业与社会成果。

在资料治理、法规或合规性的要求下，企业必须强制将资料留在内部，因此与外界共享资料可能会对企业造成挑战。HPE群体学习解决方案能让企业在资料来源的位置，使用分散式资料建立可以公平学习的机器学习模式。这样一来，不仅能增加训练所需的资料集，还能符合资料治理与隐私要求。为确保只共用前端的学习内容而非资料本身，HPE群体学习解决方案使用区块链技术，可以安全加入成员、在成员中动态选择领导者，并汇集模型参数，让群体学习网路具备弹性复原力与安全性。由于HPE群体学习解决方案只能共享学习内容，因此使用者可以利用大量的训练资料集而不用担心违反隐私要求，同时降低偏差并提升模型的准确性。

将资料「群体化」促使AI创造更大效益

HPE群体学习解决方案能强化各行各业企业组织的合作，并提升洞察力：

‧医院可以从影像纪录、CT与MRI扫描和基因表现资料与其他医院共享的学习内容，改善疾病诊断结果并保护病患资料。

‧银行与金融服务业者可以同时与多家金融机构共享诈骗相关的学习内容，避免未来10年2信用卡诈骗造成全球超过4000多亿美元的损失。

‧制造业可以利用预测性维护，事先掌握设备维修需求，并在设备故障导致不必要的停机前解决问题。透过群体学习，维修人员可以从各工厂的感测器资料收集学习内容，以获得更精准的洞察力。

采用HPE群体学习解决方案的使用案例

亚琛工业大学研究组织病理学，加速大肠癌诊断

德国亚琛工业大学附属医院的癌症研究团队进行了一项研究，在影像处理过程中运用AI技术来预测会导致正常细胞转变成癌细胞的基因改变，以加速诊断出大肠癌。

研究员对三组来自爱尔兰、德国和美国的病患，使用HPE群体学习解决方案来训练AI模型，并对两个来自英国的独立资料集使用相同群体学习训练的AI模型，并以此来验证预测结果。结果显示，使用群体学习的AI模型胜过只使用当地资料训练的原始AI模型，因为群体学习只与其他单位共用学习内容而非病患资料，因此能提升预测结果。

TigerGraph迅速侦测异常状况，帮助银行打击信用卡诈骗的犯罪行为

图形分析平台领导厂商TigerGraph将HPE群体学习解决方案与该公司的资料分析工具结合，以迅速侦测异常的信用卡交易状况。该公司采用AMD EPYC处理器的HPE ProLiant伺服器进行资料分析。这个整合解决方案使用全球各地多家银行与分支机构提供的大量金融资料来训练机器学习模型，让模型达到更高的精准度。