AI远距照护如何兼顾隐私？Appier首席人工智能科学家孙民：联合学习是关键

面对武汉肺炎（COVID-19）疫情延烧，各国纷纷祭出封城令和居家隔离政策。但是，对于须看护照料或独自居住的长者，要如何掌握他们的健康状态、又不侵犯隐私呢？Appier首席人工智能科学家孙民在一场线上会议上分享，联合学习（Federated Learning）将是AI远距照护的关键。

这几个月来，出现越来越多AI抗疫应用，比如利用电子病历建置AI风险预测模型，从医疗服务利用率、住院率等筛选出高风险族群，抢先一步来预防；又或是，透过确诊患者的胸腔X光片或电脑断层扫描（CT）影像，来训练一套肺炎辅助判读AI模型，加速医师找出病灶。但要将各地、各分院或甚至是大量手机上的医疗资料集中，光是回传过程就得层层加密才能避免遭拦截而外流，或得符合各国当地隐私法规要求而窒碍难行。联合学习成了不少AI应用兼顾隐私和大规模集中训练的关键。

师承Google云端前首席科学家李飞飞的孙民，就以他老师近期成果来举例，如何不回传个别资料兼顾隐私，又来持续优化AI模型的关键。

李飞飞最近分享了一项AIoT远距照护应用，就是要用联合学习来突破这个挑战。这套AIoT系统，整合了摄影镜头、深度感测器、热感测器，日后还要整合穿戴式感测器等，第一阶段，搜集了一批前三种装置的数据后，由医疗专家和AI团队来分析、标注，先训练出初步AI模型，可用来辨识长者的睡眠、饮食、呼吸等行为模式。第二步，接着将AI模型部署到家中装置，直接在装置端进行行为辨识和预警。但挑战是，大量部署时在感测器所收集的资料属于个资隐私，无法回传，若继续采用监督式学习，就无法进一步优化模型。于是，李飞飞团队计划用非监督的联合学习，让模型在个别装置上，直接利用新数据来更新、训练。

三大关键来兼顾隐私和持续回传资料优化AI模型

孙民解释，联合学习具备了三个特色，也就是迁移学习（Transfer Learning）、分散式训练（Distributed Training），还有把关资料安全的差分隐私（Differentiatial Privacy）。

他以医疗影像AI模型为例，假设有多个分院想建置脑肿瘤电脑断层扫描影像判读的AI，团队可透过迁移学习，收集各分院的医疗影像，训练出母模型后，再部署到各分院，利用各分院资料来训练各自的子模型。

接着，为减少资料传输的时间和成本，团队可在各分院，利用分散式训练，以自行产生的数据来训练子模型，不需将所有资料回传至母模型端。此外，分散式训练的优点，就是“可大规模扩展至端点数千台装置，”也因此非常适合大规模应用，比如金融或虚拟助理。

只做到分散架构还不够，“虽然分散式训练不必将训练资料回传，但还是要定期上传模型统计值。”孙民指出，有心的骇客会利用这一点，从统计值中推估出特定原始资料。

为解决这类资安隐忧，联合学习还加上了差分隐私这个机制。差分隐私能在回传的统计值中，增添噪声（Noise），让骇客无法推敲出特定个资，同时又不影响模型表现。“Nvidia也利用联合学习的优势，在去年与伦敦国王学院联手，进行医疗影像AI的训练和部署专案，”他说。

联合学习集这三大优点于一身，不只能执行省成本的分散式训练，还能确保资料安全，符合日间严谨的各自规范。面对因疫情而进行居家隔离的独居长者，也许能透过联合学习加持的AIoT远距照护，来掌握健康情况，同时又保障隐私。

不只远距照护领域，孙民今年初甚至预测，联合学习会是未来5年的热门AI技术。文◎王若朴