谷歌发布TensorFlow 2.0 新增工具可构建有隐私意识AI

谷歌今天推出了其备受欢迎的人工智能框架——TensorFlow的一个新迭代，以及一对旨在让算法能够更负责任地处理用户数据的互补模块。

TensorFlow 2.0重点提高了可使用性。这次发布的版本带来了基于Keras的简化应用编程接口。Keras是一种开源工具，旨在使人工智能开发框架更易于使用，它让工程师能够在一个位置访问以前分布在多个API中的功能，并提供更多自定义开发工作流程的选项。

TensorFlow 2.0的另一个关键升级是增加了Eager Execution的支持。TensorFlow 2.0比之前的版本可以更快地启动AI模型，通过更短的测试运行延迟，让工程师们可以尝试不同的模型变量。考虑到机器学习开发的高度迭代性，这有可能节省下大量的时间。

尽管TensorFlow 2.0这次有了显着的改进，但这次发布最引人关注的是谷歌推出的另外两款互补模块，这两个模块旨在帮助开发人员直接在AI软件中构建隐私控制，以更好地保护用户信息。

第一个模块是TensorFlow Privacy，它让机器学习模型能够丢弃不应该处理的潜在敏感数据，这是通过自动过滤与算法通常摄取的信息不同的输入来实现的。例如，基于AI的拼写检查工具主要将字母作为输入，这意味着可以轻松识别和过滤诸如信用卡号之类的长数字序列。

“我们并不要求具备隐私或基础数学方面的专业知识才能使用TensorFlow Privacy：那些使用标准TensorFlow的开发者不需要改变他们的模型架构、培训程序或流程，”谷歌工程师Carey Radebaugh和Ulfar Erlingsson在博客中这样表示。

另一个新的隐私模块名为TensorFlow Federated，它主要针对越来越多依赖于AI支持核心功能的移动服务。

由于移动设备的处理能力有限，应用通常通过将用户数据发送到基于云的后端进行分析，来处理机器学习的学习方面。TensorFlow Federated让应用可以直接在用户手机上执行分析。然后，开发人员可以收集所得到的见解，并利用这些见解改进AI算法，而无需访问基础数据，从而保护了消费者的隐私。

“通过TFF [TensorFlow Federated]，我们可以表达我们所选择的机器学习模型架构，然后在所有作者提供的数据之间进行训练，并保持每个作者的数据分离和本地化，”谷歌参与这个项目开发的两位工程师Alex Ingerman和Krzys Ostrowski在博客文章中这样写道。

与TensorFlow本身非常相似，这两个新模块将以开源许可的形式提供给用户。