في عالمنا الرقمي الحديث، غالبًا ما تكون المعلومات الحساسة مبعثرة عبر العديد من الأجهزة والمؤسسات المختلفة، من خوادم المستشفيات إلى الهواتف الذكية الشخصية. ومن أجل بناء أنظمة ذكية يمكنها رصد الأنماط غير العادية — مثل مرض نادر في السجلات الطبية أو معاملة احتيالية في بيانات مصرفية — تحتاج هذه الأنظمة عادةً إلى التعلم من كميات هائلة من المعلومات. ومع ذلك، فإن قوانين الخصوصية والمخاوف الأمنية غالبًا ما تمنع المؤسسات من مشاركة بياناتها الخام مع سلطة مركزية. وقد أدى هذا إلى ظهور نهج تعاوني يسمى "التعلم الاتحادي" (Federated Learning). فبدلاً من نقل البيانات إلى حاسوب مركزي، تنتقل عملية التعلم إلى البيانات نفسها؛ حيث يقوم كل جهاز بتدريب جزء صغير من النموذج محليًا ويرسل فقط التحديثات الرياضية إلى خادم مركزي، الذي يقوم بدمجها لتحسين النظام العالمي. وبينما يحافظ هذا على خصوصية البيانات الخام، إلا أن التحديثات الرياضية نفسها يمكن أن تكون كاشفة للغاية أحيانًا. فإذا صُمم النظام ليتعرف على الأنماط الطبيعية بدقة شديدة تمكنه من إعادة إنشائها، فقد يتمكن مراقب فضولي من هندسة البيانات الخاصة الأصلية عكسيًا من خلال تلك التحديثات.

لقد طور باحثون في جامعة كارنيجي ميلون ومختبرات سانديا الوطنية طريقة جديدة لحل هذه المشكلة المحددة، لا سيما للأنظمة التي تستخدم "المشفِّرات التلقائية" (Autoencoders)، وهي نوع من الذكاء الاصطناعي المصمم لتعلم كيفية إعادة بناء البيانات الطبيعية. ويطلقون على نهجهم اسم "محاذاة المركز الثقلي العالمي" (Global Centroid Alignment). في التعلم الاتحادي التقليدي مع هذه الأنظمة، ترسل الأجهزة الأوزان الرياضية المعقدة لنماذجها، وهو ما يشكل عبئًا ثقيلًا على اتصالات الشبكة ولا يزال يحمل خطر تسرب البيانات. وتغير الطريقة الجديدة قواعد التبادل تمامًا؛ فبدلاً من إرسال النموذج نفسه، يرسل كل جهاز فقط ملخصًا مضغوطًا وصغيرًا لما تعلمه: وهي مجموعة من الرموز المجردة التي تمثل البيانات التي رآها. ثم يقوم خادم مركزي بتجميع هذه الرموز معًا لإيجاد الأنماط المشتركة، أو "المراكز"، ويرسل هذه الملخصات البسيطة مرة أخرى إلى الأجهزة. بعد ذلك، تقوم الأجهزة بتعديل تعلمها الخاص ليتماشى مع هذه المراكز العالمية، دون الكشف أبدًا عن بياناتها الخام أو هياكل نماذجها الداخلية.

اختبر الباحثون هذه الطريقة عبر سبعة مجموعات بيانات مختلفة، تتراوح من السجلات المالية والبيانات الطبية إلى صور لأشياء يومية. ووجدوا أن هذا النهج الجديد لا يحمي البيانات بشكل أفضل بكثير من الأساليب الحالية فحسب، بل يحسن أيضًا دقة النظام النهائي. وفي الاختبارات التي حاول فيها خادم خبيث إعادة بناء البيانات الخاصة الأصلية من المعلومات التي تلقاها، جعلت الطريقة الجديدة نجاح المهاجم أمرًا أصعب بكثير؛ حيث كانت الصور والسجلات المعاد بناؤها أقل تشابهًا مع بيانات التدريب الأصلية مقارنة بالطرق القياسية. وفي الواقع، في واحد وعشرين حالة من أصل واحد وعشرين مقارنة مع تقنية قياسية رائدة، وفرت الطريقة الجديدة حماية أقوى ضد استخراج البيانات. كما أنها قللت من كمية البيانات المرسلة عبر الشبكة بنسبة تصل إلى 99.15 بالمائة، مما يجعلها أكثر كفاءة للأجهزة ذات النطاق الترددي المحدود.

يكمن جوهر هذا الابتكار في كيفية حدوث التعلم. في النهج القياسي، يدرب الجهاز مشفرًا تلقائيًا لإعادة إنشاء بيانات المدخلات الخاصة به بدقة. ولمشاركة المعرفة، يرسلون المخطط الكامل لهذا المبتكر إلى الخادم. أما الطريقة الجديدة، فتحتفظ بالمخطط محليًا؛ فبدلاً من ذلك، يرسل الجهاز عينة صغيرة من الرموز المجردة التي أنشأها أثناء معالجة بياناته. ويجمع الخادم هذه الرموز من جميع الأجهزة المشاركة ويستخدم تقنية تجميع لإيجاد المواقع المتوسطة، أو "المراكز الثقلية"، لهذه الرموز. ثم يبث هذه المواقع المتوسطة مرة أخرى إلى الأجهزة. وتقوم الأجهزة بعد ذلك بتعديل مشفراتها الداخلية لجعل رموزها تتطابق مع هذه المتوسطات العالمية، مع إعطاء وزن إضافي للأنماط النادرة أو الأقل شيوعًا لضمان عدم فقدان أي شيء. وتتكرر هذه العملية، مما يسمح للنظام بالتعلم من الخبرة الجماعية لجميع الأجهزة دون الكشف أبدًا عن البيانات الخام أو معلمات النموذج التفصيلية.

تُظهر نتائج الدراسة أن هذا التحول في الاستراتيجية يقدم مقايضة قوية. فمن خلال تبادل هذه الملخصات المجردة والمتوسطات الإحصائية فقط، يتجنب النظام تكاليف الاتصال الثقيلة لإرسال تحديثات النموذج الكاملة. والأهم من ذلك، أنه يزيل الرابط المباشر الذي يستغله المهاجمون غالبًا. في التجارب، عندما قام الباحثون بمحاكاة هجوم حاول فيه خادم هندسة بيانات التدريب عكسيًا، أنتجت الطالة الجديدة باستمرار نتائج كانت أبعد بكثير عن البيانات الأصلية مقارنة بالطرق القياسية. لم تكن البيانات المعاد بناؤها مختلفة قليلاً فحسب، بل كانت غالبًا غير قابلة للتمييز مقارنة بالمدخلات الأصلية. وقد صمدت هذه الحماية حتى عند مقارنتها بتقنيات الخصوصية المتقدمة الأخرى التي تضيف ضجيجًا إلى البيانات، والتي فشلت أحيانًا في منع إعادة البناء في سيناريوهات معينة. وظلت الطريقة الجديدة مستقرة وفعالة عبر جميع السيناريوهات المختبرة.

بعيدًا عن الأمن، أثبتت الطريقة فعاليتها العالية في مهمتها الأساسية: اكتشاف الشذوذ. ففي السيناريوهات التي يحتاج فيها النظام إلى تحديد الأحداث النادرة أو غير العادية، مثل عطل في آلة صناعية أو معاملة مصرفية احتيالية، حقق هذا النهج الجديد دقة أعلى من الطريقة القياسية في خمس من أصل سبع مجموعات بيانات مختبرة. كما طابقت أو تجاوزت أداء تقنيات التعلم الاتحادي المتطورة الأخرى مع استخدام جزء ضئيل من موارد الاتصال. وأشار الباحثون إلى أن الطريقة تعمل بشكل جيد حتى عندما لا تكون البيانات متوازنة تمامًا عبر الأجهزة، وهو تحدٍ شائع في التطبيقات الواقعية. إن القدرة على الحفاظ على دقة عالية مع تقليل خطر تسرب البيانات وتكلفة الاتصال بشكل كبير تشير إلى مسار عملي نحو نشر ذكاء تعاوني آمن في البيئات الحساسة.

استكشفت الدراسة أيضًا الأسس النظرية لسبب نجاح ذلك، موضحة أن رؤية الخادم للبيانات محدودة جوهريًا. نظرًا لأن الخادم لا يرى سوى الرموز المجردة وليس الصور أو الأرقام الأصلية، فإنه لا يمكنه تحديد شكل البيانات الأصلية بشكل فريد. فهناك العديد من المدخلات الأصلية الممكنة التي يمكن أن تنتج نفس الرمز المجرد، مما يجعل من المستحيل على المهاجم التأكد من أنه استعاد السجل الخاص الصحيح. توفر هذه الخاصية الرياضية طبقة من الأمن تتجاوز مجرد إخفاء البيانات؛ فهي تغير طبيعة المعلومات التي يتم مشاركتها بحيث تضيع الأسرار الأصلية فعليًا في عملية الترجمة.

في النهاية، يقدم هذا العمل حلاً ملموسًا لمعضلة مستمرة في الذكاء الاصطناعي: كيف نتعلم من مصادر متعددة دون المساس بخصوصية أي منها. ومن خلال استبدال تبادل مخططات النماذج المعقدة بمشاركة ملخصات مجردة وبسيطة، أنشأ الباحثون نظامًا أكثر أمانًا وكفاءة في آن واحد. وتشير النتائج إلى أنه بالنسبة للتطبيقات التي تكون فيها خصوصية البيانات ذات أهمية قصوى، مثل الرعاية الصحية أو التمويل، هناك بديل قابل للتطبيق للممارسات الحالية لا يتطلب التضحية بالأداء. وتعد هذه الطريقة برهانًا على أنه مع التصميم الدقيق، يمكن تحقيق أهداف التعاون والكفاءة والخصوصية في وقت واحد، مما يسمح للآلات بالتعلم معًا دون الحاجة أبدًا لرؤية أسرار بعضها البعض.