អ្នកវិទ្យាសាស្ត្របានបង្កើតវិធីសាស្រ្តថ្មីមួយដែលអនុញ្ញាតឱ្យរថយន្តបើកបរដោយខ្លួនឯងចែករំលែកព័ត៌មានសំខាន់ៗអំពីការផ្លាស់ប្តូរដោយមិនមានការភ្ជាប់ដោយផ្ទាល់តាមរយៈបច្ចេកវិទ្យាមួយដែលមានឈ្មោះថា "Cached Distributed Federated Learning" (Cached-DFL) ។

វាគឺជាក្របខណ្ឌការចែករំលែកគំរូនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលជួយឱ្យរថយន្តបើកបរដោយខ្លួនឯងផ្លាស់ប្តូរទិន្នន័យដែលមានភាពត្រឹមត្រូវ និងទាន់សម័យនៅពេលពួកគេឆ្លងកាត់គ្នាទៅវិញទៅមក រួមទាំងការគ្រប់គ្រងការរុករក គំរូចរាចរណ៍ ស្ថានភាពផ្លូវ និងផ្លាកសញ្ញា។

មិនដូចវិធីសាស្រ្តធម្មតាដែលតម្រូវឱ្យរថយន្តនៅជិត និងផ្តល់ការអនុញ្ញាតចែករំលែក Cached-DFL បង្កើតទម្រង់នៃ "បណ្តាញសង្គមក្លែងធ្វើ" ដែលរថយន្តអាចមើល "ប្រវត្តិរូប" នៃរថយន្តផ្សេងទៀតដោយមិនបង្ហាញព័ត៌មានផ្ទាល់ខ្លួនរបស់អ្នកបើកបរ។

វេជ្ជបណ្ឌិត Yong Liu មកពីសាកលវិទ្យាល័យ New York បាននិយាយថា "រថយន្តដែលធ្លាប់តែបើកបរក្នុងទីក្រុង Manhattan ឥឡូវនេះអាចរៀនអំពីផ្លូវ Brooklyn ពីយានជំនិះផ្សេងទៀត ទោះបីជាវាមិនធ្លាប់ទៅទីនោះក៏ដោយ" ។ ជាឧទាហរណ៍ រថយន្តអាចរៀនពីរបៀបដោះស្រាយរន្ធរាងពងក្រពើគ្រប់ទីកន្លែង ដោយផ្អែកលើបទពិសោធន៍ដែលបានចែករំលែកពីរថយន្តដែលបានជួបប្រទះស្ថានភាពស្រដៀងគ្នា។

ប្រព័ន្ធនេះក៏ដោះស្រាយបញ្ហានៃទិន្នន័យកណ្តាលបច្ចុប្បន្ន ដែលងាយនឹងមានការបំពានទ្រង់ទ្រាយធំ។ ជាមួយនឹង Cached-DFL ទិន្នន័យត្រូវបានរក្សាទុកនៅក្នុងគំរូ AI ដែលបានបណ្តុះបណ្តាលនៅលើរថយន្តនីមួយៗ។

ការធ្វើតេស្តក្លែងធ្វើនៅទីក្រុង Manhattan បង្ហាញថាការទំនាក់ទំនងរហ័ស និងញឹកញាប់រវាងយានយន្តក្នុងចម្ងាយ 100 ម៉ែត្រជួយបង្កើនប្រសិទ្ធភាព និងភាពត្រឹមត្រូវនៃទិន្នន័យបើកបរ។ សំខាន់ យានជំនិះមិនចាំបាច់ “ស្គាល់” គ្នាទៅវិញទៅមក ដើម្បីចែករំលែកព័ត៌មាន។

លោកបណ្ឌិត Jie Xu មកពីសាកលវិទ្យាល័យ Florida សង្កត់ធ្ងន់លើអត្ថប្រយោជន៍នៃការធ្វើមាត្រដ្ឋាន៖ "យានជំនិះនីមួយៗគ្រាន់តែផ្លាស់ប្តូរការអាប់ដេតម៉ូដែលជាមួយនឹងយានជំនិះដែលវាជួបប្រទះ ដោយការពារការចំណាយលើការទំនាក់ទំនងមិនឱ្យឡើងថ្លៃនៅពេលដែលបណ្តាញកាន់តែធំឡើង"។ នេះក៏សន្យាថានឹងកាត់បន្ថយថ្លៃដើមនៃបច្ចេកវិទ្យាបើកបរដោយខ្លួនឯង ពីព្រោះបន្ទុកដំណើរការត្រូវបានចែកចាយ ជាជាងផ្តោតលើម៉ាស៊ីនមេតែមួយ។

នៅពេលអនាគត ក្រុមការងារគ្រោងនឹងសាកល្បង Cached-DFL នៅក្នុងសេណារីយ៉ូក្នុងពិភពពិត ដោយដកចេញនូវឧបសគ្គនៃភាពត្រូវគ្នារវាងក្រុមហ៊ុនផលិតរថយន្ត និងការពង្រីកការតភ្ជាប់ទៅកាន់ហេដ្ឋារចនាសម្ព័ន្ធដឹកជញ្ជូនផ្សេងទៀត (V2X)។ គោលដៅបន្ថែមទៀតគឺដើម្បីពន្លឿននិន្នាការនៃដំណើរការទិន្នន័យវិមជ្ឈការ ដោយបង្កើតទម្រង់នៃការស៊ើបការណ៍រួមដែលមានល្បឿនលឿនមិនត្រឹមតែសម្រាប់រថយន្តប៉ុណ្ណោះទេ ថែមទាំងសម្រាប់ផ្កាយរណប ដ្រូន និងមនុស្សយន្តផងដែរ។

Javed Khan មកពីក្រុមហ៊ុន Aptiv អះអាងថា "ការរៀនសូត្រដែលបែងចែកដោយសហព័ន្ធគឺមានសារៈសំខាន់សម្រាប់ការសិក្សារួមគ្នាដោយមិនធ្វើឱ្យប៉ះពាល់ដល់ភាពឯកជន...