Říše monitorování zdraví posunula vpřed integrací chytrých telefonů a aplikací založených na umělé inteligenci. Tyto technologická zázraky pomáhají při řízení chronických onemocnění a dosahování fitness cílů. Avšak tato integrace může být dvojsečná, protože neustálý tok dat mezi chytrým telefonem a hlavními servery vede ke zpomaleným a energeticky náročným operacím. Inženýři z MIT a MIT-IBM Watson AI Labu čelí tomuto výzvě přímo, vytvářejí revoluční akcelerátor strojového učení – nezbytný pro zvýšenou poptávku po umělé inteligenci, např. v AR/VR nebo autonomní technologii řízení – schopný zajistit ochranu dat proti běžným kybernetickým útokům.
Ve snaze o minimalizaci zranitelností vymysleli výzkumníci optimalizace delicátně vyvažující robustní bezpečnost s minimálním dopadem na výkon. Zařízení udržuje přesné výpočty a zároveň zajišťuje zdravotní záznamy a citlivá data, i když za cenu mírného zvýšení ceny a snížení energetické účinnosti. Maitreyi Ashok, vedoucí studie, zdůrazňuje důležitost bezpečnostně zaměřených návrhových filosofií pro dosažení efektivních kompromisů v počátečních fázích tvorby.
Inovace v týmu výzkumu se točí kolem akcelerátoru digitálního výpočtu v paměti (IMC), který pozoruhodně provádí výpočty vnitřní paměti zařízení. S rozdělením modelů strojového učení a maximalizací opakování komponent minimalizuje systém požadavky na přenos dat. Avšak složitost IMC vystavuje systém riziku úniku dat prostřednictvím monitorování napájení nebo zachycování komunikace.
Zavedením specializované šifry pro šifrování dat, spárované s strategickým dělením dat a generováním unikátních klíčů na čipu, chrání nové zařízení MIT proti těmto infiltracím. Fyzicky neklonovatelná funkce váže nezfalšovatelný šifrovací klíč na výrobní indikované variace křemíku, což dále zvyšuje bezpečnost.
Obhájci technologií zdůrazňují její budoucí kritický význam v mobilních zařízeních, přičemž uznávají potřebu neustálého zdokonalování energetické účinnosti a výrobních nákladů. Navzdory těmto překážkám jsou průkopníci z MIT odhodláni vybudovat cesty k měřitelným, bezpečným a cenově dostupným aplikacím umělé inteligence pro zdravotnictví a další oblasti.
Klíčové Otázky a Odpovědi:
– Jaké jsou hlavní cíle výzkumu MIT v technologiích zabezpečených zdravotních aplikací?
Hlavními cíli jsou zlepšení ochrany soukromí a bezpečnosti zdravotních dat při zachování výkonu systému. Vyrovnávají robustní bezpečnost s minimálním dopadem na výkon a cílem je vyvinout měřitelné, bezpečné a cenově dostupné aplikace umělé inteligence pro zdravotnictví a další oblasti.
– Co je digitální akcelerátor v paměti výpočtu (IMC)?
IMC akcelerátor je technologie, která provádí výpočty vnitřní paměti zařízení k minimalizaci přenosu dat, čímž zlepšuje výkon a potenciálně zvyšuje bezpečnost omezením expozice dat možným zranitelnostem.
– Jak specializovaná šifra představená MIT zlepšuje bezpečnost?
Šifra zlepšuje bezpečnost šifrováním dat pomocí klíče generovaného fyzicky neklonovatelnou funkcí (PUF), který závisí na výrobních variacích v křemíku, čímž je nezfalšovatelný a jedinečný pro každé zařízení.
– Jaké jsou hlavní výzvy spojené s zařízením MIT?
Mezi výzvy patří mírné zvýšení ceny, snížená energetická účinnost a inherentní složitost IMC systémů, která by je mohla vystavit specifickým rizikům úniku dat.
– Jaká jsou kontroverze kolem umělé inteligence v zdravotních aplikacích?
Kontroverze mohou souviset s obavami o ochranu soukromí, potenciální zneužití dat, přílišnou závislostí na technologii pro rozhodování o zdravotních záležitostech a obavami z rozšiřování nerovností, pokud tyto technologie zůstanou drahé a nedostupné pro širší populace.
Výhody a Nevýhody:
Výhody:
– Zlepšené ochrana dat s šifrováním na základě PUF.
– Snížení potřeb přenosu dat zpracováním vnitřní paměti, což by mohlo také snížit riziko zachycení.
– Potenciál pro měřitelné a bezpečné zdravotní aplikace s umělou inteligencí.
Nevýhody:
– Mírně vyšší náklady a snížená energetická efektivita kvůli přidaným bezpečnostním opatřením a složitostem.
– Složitost IMC systémů může potenciálně uvést do systému nové zranitelnosti.
– Potenciální výzvy ve škálování výroby při udržení nízkých nákladů.
Související odkazy:
– Massachusetts Institute of Technology
– IBM Watson AI Lab
Vezměte prosím na vědomí, že kvůli dynamické povaze internetového obsahu nemohu ověřit URL mimo potvrzení jejich spojení s uvedenými organizacemi v článku. Avšak poskytnuté URL jsou pro hlavní stránky příslušných institucí, které by měly být přesné v rámci tohoto požadavku.
The source of the article is from the blog lisboatv.pt