Riket för hälsomonitorering har avancerat med integrationen av smartphones och AI-baserade applikationer. Dessa teknologiska underverk hjälper till med att hantera kroniska sjukdomar och uppnå träningsmål. Ändå kan denna integration vara dubbeltydig, då behovet av konstant dataflöde mellan smartphones och huvuddatorservrar leder till sega och energislukande operationer. Ingenjörer från MIT och MIT-IBM Watson AI Lab har konfronterat denna utmaning på ett direkt sätt genom att skapa en banbrytande maskininlärningsaccelerator – nödvändig för AI:s ökande efterfrågan, såsom inom AR/VR eller självkörande teknik – som kan säkerställa dataskydd mot vanliga cyberattacker.
I strävan efter att minska sårbarheter har forskarna utformat optimeringar som balanserar robust säkerhet med minimal påverkan på prestanda. Enheten upprätthåller exakta beräkningar samtidigt som den säkrar hälsoregister och känsliga data, dock till priset av en liten ökning i pris och reducerad energieffektivitet. Maitreyi Ashok, ansvarig för studien, understryker vikten av säkerhetscentrerade designfilosofier för att uppnå effektiva avväganden under de inledande skapelsestadierna.
Forskarteamets innovation kretsar kring en digital in-memory compute (IMC) accelerator, som märkbart utför beräkningar inom en enhets interna minne. Genom att partitionera maskininlärningsmodeller och maximera återanvändning av komponenter minimerar systemet kraven på dataöverföring. Dock exponeras IMC:s komplexitet för risker med dataintrång genom övervakning av ström eller avlyssning av kommunikation.
Införandet av en specialiserad chiffer för att kryptera data, kombinerat med strategisk datauppdelning och unik generering av chipbaserade nycklar, rustar det nya MIT-enheten mot sådana infiltrationer. Den fysiskt ouppklarbara funktionen binder den oförfalskbara krypteringsnyckeln till tillverkningsinducerade kiselvariationer, vilket ytterligare höjer säkerheten.
Teknikens främsta förespråkare betonar dess framtidskritiska betydelse i mobila enheter, även om de erkänner behovet av löpande förbättringar av energieffektivitet och produktionskostnader. Trots dessa hinder är MIT:s banbrytare bestämda att bana väg för skalbara, säkra och prisvärda AI-applikationer för hälsa och andra områden.
Viktiga frågor och svar:
– Vilka är MIT:s huvudmål med forskningen om säkra hälsoapp-teknologier?
De främsta målen är att förbättra dataskyddet och säkerheten för hälsoinformation samtidigt som systemets prestanda bibehålls. De balanserar robust säkerhet med minimal påverkan på prestandan och strävar efter att utveckla skalbara, säkra och prisvärda AI-applikationer för hälsa och andra områden.
– Vad är en digital in-memory compute (IMC) accelerator?
En IMC-accelerator är en teknologi som utför beräkningar inom en enhets internminne för att minimera dataöverföringar och därmed förbättra prestandan samt potentiellt öka säkerheten genom att begränsa exponeringen av data för potentiella intrång.
– Hur förbättrar det specialiserade chiffer som introducerats av MIT säkerheten?
Chiffret förbättrar säkerheten genom att kryptera data med hjälp av en nyckel som genereras av en fysiskt ouppklarbar funktion (PUF), som är beroende av tillverkningsinducerade variationer i kislet, vilket gör det oförfalskbart och unikt för varje enhet.
– Vilka är de huvudsakliga utmaningarna för MIT:s enhet?
Utmaningarna inkluderar en liten ökning i pris, minskad energieffektivitet och den inneboende komplexiteten i IMC-system som kan exponera dem för specifika risker för dataintrång.
– Vilka kontroverser finns det kring AI i hälsoappar?
Kontroverser kan relatera till integritetsproblem, potentiell dataanvändning, överanvändning av teknologi för hälso-relaterade beslut samt rädslor för en ökad ojämlikhet om teknikerna förblir dyra och otillgängliga för större befolkningar.
Fördelar och nackdelar:
Fördelar:
– Förbättrat dataskydd med kryptering baserad på PUF.
– Minskat behov av dataöverföringar genom bearbetning inom internt minne, vilket även kan minska risken för avlyssning.
– Potential för skalbara och säkra hälso-AI-applikationer.
Nackdelar:
– Något högre kostnad och minskad energieffektivitet på grund av tillagda säkerhetsåtgärder och komplexiteter.
– Komplexiteten hos IMC-system kan eventuellt introducera nya sårbarheter.
– Potentiella utmaningar med att skala produktionen samtidigt som kostnaderna hålls hanterbara.
Relaterade länkar:
– Massachusetts Institute of Technology
– IBM Watson AI Lab
Observera att på grund av den dynamiska naturen hos internetinnehåll kan jag inte verifiera webbadressen utan endast bekräfta deras association med de organisationer som nämnts i artikeln. Dock är de tillhandahållna webbadresserna för de relevanta institutionernas huvudsidor, vilket bör vara korrekt inom ramen för denna förfrågan.
The source of the article is from the blog japan-pc.jp