Alex Pentland, uznávaný profesor z Massachusettského technologic­ké­ho institutu, věří, že v současné ekonomice – která je založena na datech – se opakuje vzorec průmyslových revolucí minulých let. V něm výroba končí v rukou několika málo společností. Proto se v reakci na to v řadě případů mnoho z nich spojí, aby získaly spravedlivý tržní podíl. V případě dat se nabízí řešení v podobě tzv. datového družstva. V tomto modelu jak jednotlivci, tak organizace sdružují svá data do jednoho celku (a tak tvoří protiváhu oligopolu), na který dohlížejí fiduciáři (správci), kteří potom brání práva všech.

Tato družstva sice mohou být prospěšná, jenže je obtížné vytvořit model, který by umožnil sdílet data opravdu důvěryhodně – protože jsou specifická, složitá a heterogenní. Proto zajímavější – a jako alternativní – se může jevit forma spolupráce, která nevyžaduje výměnu údajů a ani centrálního správce, a přitom je zaměřena na maximální výtěžnost informací. Využívají ho systémy založené na neuronových sítích a rojovém učení (swarm learningu). Právě tento způsob nabízí možnost, jak vyřešit „hlad“ po učení z dat – algoritmy jsou totiž trénovány na decentralizovaných zdrojích dat a poznatky následně agregovány. Přitom žádná data nejsou sdílena, což je dnes nezbytností.

Umělá inteligence se učí v roji

Není tajemstvím, že roje pracují bez centrálního koordinátora a s jednoduchými procesními pravidly. Přitom jsou stejně efektivní, nebo dokonce efektivnější než hierarchický způsob fungování. Tento princip je znám ze světa zvířat, ale úspěchy slavil i v lidských oblastech, jako je vývoj softwaru.

Už nějakou dobu se tento přístup uplatňuje i v oblasti datové vědy a umělé inteligence (AI). Princip fungování se odehrává tak, že pokud se skupina organizací rozhodne společně využít AI model ke konkrétnímu důvodu, potom každá z nich do něj vloží vlastní data. Poznatky jsou následně agregovány ze všech zúčastněných dat, avšak zdrojová data se ven nedostanou.

Například v lékařství se tento model používá k diagnostice onemocnění na základě rentgenových snímků, krevních hodnot nebo sekvencí genomu. Výhodou je, že i když jednotlivé instituce nemají dostatek svých dat pro trénink AI, tento proces to odbourává, respektive perfektně řeší. Navíc bylo jasně prokázáno, že učení v rojích dosahuje stejně dobrých, nebo dokonce lepších výsledků než centralizovaný AI trénink. Rojové učení by tak mohlo významně podporovat a urychlovat spolupráci a výměnu informací ve výzkumu a dalších oblastech, včetně lékařství.

Blockchainový proces zabraňuje zneužití

Rojové učení probíhá kooperativně na základě stanovených pravidel, na kterých se všechny subjekty předem dohodnou. V tomto procesu dochází nejen k agregaci učení decentralizovaným způsobem, ale díky blockchainovému procesu je vyloučeno, aby nad ním kdokoliv převzal kontrolu.

Všichni členové jednoho roje přitom mají stejná práva. Neexistuje žádná centrální moc nad tím, která by mohla rozhodovat, ani nad výsledky. Algoritmy umělé inteligence se tak používají lokálně, a to na základě dat dostupných sdílením v každém síťovém uzlu. Navíc tato forma zpracování dává smysl i v případech, kdy jsou datové soubory tak velké, že jejich přenos z místa na místo by byl příliš nákladný nebo z důvodu nedostatečné konektivity příliš pomalý.

Kolektiv je jen tak silný, jak silní jsou jeho členové

Swarm learning tak poskytuje jasnou odpověď na to, zda lze skloubit datovou vědu s digitální suverenitou. Ne všechny datové aplikace jsou však i AI aplikacemi. V mnoha případech jde jen o to, dostat informaci na správné místo ve správný čas – jako například automobilům včas doručit upozornění na náledí. Takovéto případy použití totiž často vyžadují výměnu dat mezi sebou, takže datová družstva nebo datové prostory jsou nezbytné.

Nesmíme však zapomenout ani na to, že úspěch jakéhokoliv datového nebo AI družstva nakonec závisí na schopnostech jeho členů. A pokud data nejsou pro organizace hnacím motorem vlastního hodnotového řetězce, nebudou z nich mít prospěch.

Přestože je většina společností a organizací z veřejného sektoru od tohoto řešení stále hodně vzdálená, je více než žádané, aby se touto cestou vydali co možná nejdříve, a tak spojili své síly. Jen tak lze realizovat očekávání datové ekonomiky a současně posílit suverenitu každé jednotlivé organizace.

Hartmut Schultze Autor článku působí na pozici Business Architect ve společnosti Hewlett Packard Enterprise (HPE).