CHƯƠNG 2: TỔNG QUAN VỀ MÔ HÌNH HỌC LIÊN KẾT
2.2. Ứng dụng của mô hình Học liên kết trong các lĩnh vực khoa học-xã hội
Có thể nói y học là một trong những ngành được hưởng lợi nhiều nhất thông qua các ứng dụng mô hình FL. Các thông số dữ liệu từ các bệnh viện và phòng nghiên cứu từ khắp nơi có thể được chia sẻ hợp pháp cho nhau. Việc vận dụng mô hình học
Copies for internal use only in Phenikaa University
liên kết có thể xóa bỏ rào cản về khoảng cách địa lý, hơn nữa lại tận dụng được lượng
dữ liệu đa dạng từ khắp mọi nơi. Trong những năm vừa qua, mô hình Học liên kết được ứng dụng mạnh mẽ vào y học, cụ thể như:
1) Xây dựng các mô hình dự đoán tình trạng dịch bệnh: Các bệnh viện, tổ chức y
tế có thể sử dụng mô hình FL để đào tạo các mô hình dự đoán bệnh dựa trên
dữ liệu bệnh án của các bệnh nhân từ nhiều vùng. Việc này giúp cải thiện khả năng dự đoán và chẩn đoán bệnh mà không cần truyền dữ liệu bệnh nhân qua lại. FL giúp bệnh viện phát triển các mô hình AI chẩn đoán sức khỏe từ những nguồn dữ liệu liên kết. Vào năm 2020, một bài báo trên Nature Medicine có tiêu đề "Học liên kết để dự đoán kết quả lâm sàng ở bệnh nhân mắc COVID-
19", đã cho thấy tính chính xác và khả quan của mô hình AI để dự đoán nhu
cầu oxy ở những bệnh nhân bị nhiễm COVID-19.
2) Quản lý dữ liệu, đào tạo các mô hình AI trong thiết bị y tế di động: Thiết bị y
tế di động như đồng hồ thông minh có thể được sử dụng để thu thập dữ liệu sức khỏe cá nhân. Federated Learning cho phép đào tạo mô hình trực tiếp trên thiết bị này, giúp cải thiện các ứng dụng về theo dõi sức khỏe và dự đoán bệnh tật.
Như vậy, việc áp dụng mô hình học liên kết có thể góp phần ngăn chặn và khắc phục những đại dịch bùng phát khi có thể thu thập dữ liệu thực tế từ khắp mọi nơi và nghiên cứu phương án chữa trị.
2.3.2.Trong lĩnh vực kinh tế-tài chính:
Ngày nay ứng dụng thực tiễn của FL được chú trọng rất lớn trong kinh tế thị trường, thông qua nguồn thông tin khổng lồ từ khách hàng của các doanh nghiệp lớn nhỏ. Từ nguồn dữ liệu này, có thể xây dựng nên các mô hình phân tích nhu cầu của người tiêu dùng, dự đoán tình hình kinh tế hoặc xây dựng các mô hình thống kê dữ liệu,… giúp giảm thiểu rủi ro và nâng cao hiệu quả đầu tư. Cụ thể như:
Copies for internal use only in Phenikaa University
1) Dự đoán thị trường kinh tế, phân tích nhu cầu khách hàng và Marketing: FL
đặc biệt được ưa chuộng trong việc tổng hợp thông tin từ những nguồn dữ liệu bảo mật riêng tư, chẳng hạn như ngân hàng, tổ chức tài chính, công ty nghiên cứu thị trường và người tiêu dùng. Thông qua đó xây dựng các mô hình dự đoán tình hình kinh tế, thị trường chứng khoán và thị trường bất động sản một cách chính xác hơn.
2) Phân tích rủi ro, quản lý quỹ tiền tệ: Các công ty bảo hiểm có thể sử dụng mô
hình Federated Learning để đánh giá rủi ro và định giá bảo hiểm cá nhân mà không cần tiết lộ chi tiết cá nhân. Điều này giúp tạo ra chính sách bảo hiểm cá nhân hóa hơn. Ngoài ra các doanh nghiệp còn có thể sử dụng mô hình Học liên kết để tối ưu hóa việc quản lý danh mục đầu tư và dự đoán xu hướng thị trường tài chính. Các nguồn dữ liệu từ các tài khoản cá nhân và doanh nghiệp có thể được sử dụng để cải thiện quản lý quỹ.
2.3.3.Trong lĩnh vực khoa học máy tính-điện tử:
1) Ứng dụng trong các phần mềm di động: Thông qua các tính năng hữu ích của
FL trong những năm gần đây, các tập đoàn công nghệ dần nghiên cứu và cho
ra đời những tính năng tích hợp vào các phần mềm di động và ứng dụng Internet để nhận dạng giọng nói, văn bản, hình ảnh…Điển hình như ứng dụng học liên kết cho Firefox năm 2018, bàn phím Android của Google, Apple cũng
sử dụng FL nhằm cải thiện tính năng tìm kiếm bằng giọng nói của Siri,... 2) Ứng dụng trong bảo mật và an ninh mạng: Mô hình Học liên kết giúp hạn chế
nguy cơ rò rỉ dữ liệu cá nhân trên các thiết bị cục bộ bằng cách không cần phải truyền dữ liệu đến một trung tâm tập trung. Mạng lưới FL có thể được sử dụng
để đào tạo mô hình phát hiện xâm nhập hoặc phát hiện các hoạt động đáng ngờ trên các thiết bị mạng khác nhau. Các thiết bị này có thể ghi lại dữ liệu về lưu lượng mạng và sự kiện, và thông tin này có thể được tổng hợp để cải thiện khả năng phát hiện xâm nhập và bảo mật mạng. Federated Learning có thể được áp dụng để xây dựng mô hình dự đoán sự xuất hiện của mã độc hoặc phần mềm
Copies for internal use only in Phenikaa University
độc hại trên các máy tính hoặc thiết bị mạng. Các thiết bị có thể chia sẻ thông tin về các dấu hiệu của mã độc để cải thiện khả năng phát hiện.
2.3.4.Trong lĩnh vực Robotics:
Trong lĩnh vực Robotics, FL giúp cải thiện khả năng dự đoán của các robot. Thông qua hệ thống học tập phân tán, robot có thể phân tích bản đồ và di chuyển nhanh chóng hơn, phát hiện các mối đe dọa an ninh, tương tác với con người,…
1) Trong xe tự lái: Một phần quan trọng của hệ thống là khả năng học từ dữ liệu
thực tế trên đường. Tuy nhiên, việc thu thập và truyền tải dữ liệu từ mọi xe tự lái có thể không hiệu quả và tốn kém. Thay vì vậy, FL giúp các xe tự lái học từ
dữ liệu cục bộ và cộng tác để cải thiện mô hình lái xe tự động toàn cầu mà không cần truyền dữ liệu hàng ngày đến một trung tâm tập trung. Điều này cải thiện bảo mật và quyền riêng tư cho người dùng và giúp tạo ra mô hình lái xe
tự động an toàn hơn.
2) Nhận diện và theo dõi đối tượng: Trong cả hai lĩnh vực, việc nhận diện và theo
dõi đối tượng (như người đi bộ, xe hơi khác, hoặc vật thể) là rất quan trọng để đảm bảo an toàn. FL có thể được sử dụng để cải thiện khả năng nhận diện và theo dõi này thông qua việc học hỏi kinh nghiệm và chia sẻ thông tin về cách nhận diện đối tượng hiệu quả hơn.
3) Tối ưu hóa lịch trình và điều khiển Giao thông: Trong môi trường giao thông
phức tạp, như các hệ thống giao thông thông minh, FL có thể được sử dụng để tối ưu hóa lịch trình của các xe tự lái và đưa ra các quyết định về điều khiển giao thông. Các thiết bị có thể học từ dữ liệu cục bộ và chia sẻ thông tin về tình trạng giao thông để cải thiện hiệu suất của toàn bộ hệ thống. Tuy nhiên, việc triển khai FL trong các ứng dụng này cũng đặt ra thách thức về tính phức tạp của hệ thống và việc đảm bảo tính an toàn và ổn định.
Copies for internal use only in Phenikaa University