أعلنت Google Research جيلًا جديدًا من نظام التعلّم الفيدرالي (Federated Learning) مبنيًا على بيئات التنفيذ الموثوقة (Trusted Execution Environments)، وتقول إنها تقدّم لأوّل مرّة ضمانات «خصوصية تفاضلية مركزية» يمكن التحقّق منها من خارج الشركة، بحسب MarkTechPost.
المشكلة القديمة
قدّمت Google التعلّم الفيدرالي عام 2017، ويشغّل اليوم توقّع الكلمة التالية وSmart Compose في Gboard، واقتراحات الردود في Google Messages. لكن الأنظمة السابقة كانت تحمل «فجوة ثقة»: الأجهزة ترفع بياناتها للتجميع، ولا يستطيع أحد من الخارج التحقّق من أن البيانات لم تُسجَّل أو تُفحص. وكان يجب الوثوق بأن Google تضيف «الضجيج» الخاص بالخصوصية التفاضلية بشكل صحيح.
كيف يعمل النظام الجديد؟
- رفع البيانات: تشفّر الأجهزة أمثلة التدريب محليًا، وتحدّد مسبقًا سياسة وصول تذكر أي حسابات داخل بيئات التنفيذ الموثوقة يُسمح لها بمعالجتها. ويجب أن تظهر السياسات في سجلّ شفافية عام.
- نظام إدارة المفاتيح: مبني من بيئات موثوقة تعمل ببروتوكول إجماع، ولا يسلّم المفاتيح إلا لأحمال عمل تطابق السياسة.
- التنفيذ: بيئة موثوقة رئيسية تشغّل حلقة تدريب بـPython وتوزّع المهام على بيئات عاملة، ولا يخرج منها إلا أوزان النموذج بعد إضافة الخصوصية التفاضلية.
- التحقّق: تُنشر سياسات الوصول في سجلّ Rekor العام من Sigstore، ويمكن إعادة بناء برامج إدارة المفاتيح ومعالجة البيانات من كود مفتوح المصدر. والمشغّلون لا يرون إلا المقاييس والأوزان.
ليه ده مهم؟
الوعد بالخصوصية في تدريب النماذج على بيانات المستخدمين كان دائمًا «ثق بنا». النظام الجديد يحاول تحويله إلى «تحقّق بنفسك»: كود منشور، وسياسات في سجلّ عام، وعتاد يمنع حتى المشغّل من رؤية البيانات. وهو الاتّجاه نفسه الذي تسير فيه منصّات مثل Private AI Compute لدى Google وغيرها.
المصادر: MarkTechPost — 2026-10-04
