Optimizing responsible decentralized machine learning methods for AI applications
Νικόλαος Παυλίδης · 2025
Η εκθετική ανάπτυξη των τεχνολογιών Τεχνητής Νοημοσύνης έχει οδηγήσει στην ευρεία υιοθέτησή τους σε ένα μεγάλο φάσμα τομέων, όπως η υγεία, οι τηλεπικοινωνίες, η ενέργεια και οι εξατομικευμένες ψηφιακές υπηρεσίες. Καθώς τα συστήματα ΤΝ ενσωματώνονται ολοένα και περισσότερο σε κρίσιμες υποδομές και διαδικασίες λήψης αποφάσεων στον πραγματικό κόσμο, αναδύονται σημαντικές ηθικές και τεχνικές προκλήσεις. Αυτές περιλαμβάνουν κινδύνους για την ιδιωτικότητα των δεδομένων, έλλειψη διαφάνειας στις αποφάσεις των μοντέλων, ζητήματα δικαιοσύνης, καθώς και το αυξανόμενο περιβαλλοντικό αποτύπωμα των μεγάλων μοντέλων Μηχανικής Μάθησης. Η αντιμετώπιση αυτών των προκλήσεων απαιτεί μια μετάβαση από την αναζήτηση αποκλειστικά υψηλής απόδοσης προς ένα πιο υπεύθυνο μοντέλο χρήσης ΤΝ, δηλαδή μια προσέγγιση που δίνει προτεραιότητα σε ηθικές, βιώσιμες και ανθρωποκεντρικές αρχές για τον σχεδιασμό και την υλοποίηση ευφυών συστημάτων. Η παρούσα διατριβή προσεγγίζει την Υπεύθυνη ΤΝ μέσα από τρεις βασικούς πυλώνες: ιδιωτικότητα, ερμηνευσιμότητα και βιωσιμότητα. Εξετάζει πώς μπορούν να σχεδιαστούν σύγχρονες ροές Μηχανικής Μάθησης ώστε να ενσωματώνουν αυτές τις αρχές στην πράξη, αναπτύσσοντας μεθόδους που δεν είναι μόνο ακριβείς αλλά και ηθικά και κοινωνικά ευθυγραμμισμένες. Κεντρικό άξονα της διατριβής αποτελεί η εφαρμογή των αρχών της Υπεύθυνης ΤΝ σε αποκεντρωμένα περιβάλλοντα, όπου η διατήρηση της ιδιωτικότητας, η ετερογένεια του συστήματος και η απουσία κεντρικού ελέγχου εγείρουν μοναδικές προκλήσεις. Στο πλαίσιο αυτό, εξετάζεται η Ομοσπονδιακή Μάθηση ως κύρια τεχνική για την εφαρμογή αυτών των αρχών σε ποικίλους τομείς. Η Ομοσπονδιακή Μάθηση επιτρέπει σε πολλαπλούς φορείς που διαθέτουν δεδομένα, όπως έξυπνες συσκευές και ιδρύματα, να εκπαιδεύουν συνεργατικά μοντέλα χωρίς να μοιράζονται τα αρχικά δεδομένα, κάτι που ευθυγραμμίζεται φυσικά με κατανεμημένα περιβάλλοντα. Ωστόσο, παραμένουν σημαντικά ανοιχτά ζητήματα, όπως η αντιμετώπιση μη ανεξάρτητων και μη ομοιόμορφα κατανεμημένων δεδομένων, η ενεργειακή αποδοτικότητα και η ερμηνευσιμότητα των μοντέλων. Η διατριβή εξετάζει τέσσερα βασικά ερευνητικά ερωτήματα σχετικά με την εφαρμογή της Ομοσπονδιακής Μάθησης: πώς μπορεί να υποστηρίξει τις αρχές της Υπεύθυνης ΤΝ σε ετερογενή περιβάλλοντα, ποιες τεχνολογικές και συστημικές στρατηγικές ενισχύουν τη βιωσιμότητα και ενεργειακή αποδοτικότητα, με ποιους τρόπους μπορούν να ενσωματωθούν μέθοδοι ερμηνευσιμότητας στις ροές Μηχανικής Μάθησης και ποιες είναι οι κύριες προκλήσεις στην εφαρμογή της σε πραγματικές συνθήκες. Για την απάντηση αυτών των ερωτημάτων, παρουσιάζεται ένα ολοκληρωμένο μεθοδολογικό και πειραματικό πλαίσιο, βασισμένο σε εφαρμοσμένη έρευνα σε πολλούς τομείς. Στον τομέα των τηλεπικοινωνιών, εξετάζεται η χρήση της Ομοσπονδιακής Μάθησης για την πρόβλεψη κυκλοφορίας σε σταθμούς βάσης, με πραγματικά δεδομένα από δίκτυα κινητής τηλεφωνίας. Πραγματοποιείται αξιολόγηση διαφορετικών στρατηγικών συγχώνευσης μοντέλων, τεχνικών εξατομίκευσης σε επίπεδο κόμβου και ενσωμάτωσης εξωγενών δεδομένων για τη βελτίωση της ακρίβειας των προβλέψεων. Παράλληλα, αξιολογείται ο περιβαλλοντικός αντίκτυπος διαφορετικών παραμετροποιήσεων μέσω μετρήσεων κατανάλωσης ενέργειας, αναδεικνύοντας τους συμβιβασμούς μεταξύ επίδοσης και βιωσιμότητας. Στον τομέα της υγείας παρουσιάζονται δύο εφαρμογές που εστιάζουν στην προστασία της ιδιωτικότητας: η έγκαιρη ανίχνευση του Αυτιστικού Φάσματος μέσω δεδομένων από εκπαιδευτικό παιχνίδι, όπου προτείνεται ημι-εποπτευόμενο πλαίσιο με τεχνικές ανίχνευσης ανωμαλιών, κρυπτογράφηση και προηγμένες μεθόδους συγχώνευσης, και η αρχιτεκτονική ενός αποκεντρωμένου συστήματος παρακολούθησης ωορρηξίας που συνδυάζει Ομοσπονδιακή Μάθηση, τεχνολογίες blockchain και εργαλεία προστασίας ιδιωτικότητας, διατηρώντας ευαίσθητα δεδομένα τοπικά στις συσκευές των χρηστών. Για την ενίσχυση της αποδοτικότητας, προτείνεται νέος αλγόριθμος επιλογής κόμβων βασισμένος σε Κυψελιδωτά Αυτόματα, ο οποίος επιτρέπει δυναμική συμμετοχή κόμβων ανάλογα με διαθέσιμους πόρους, βελτιώνοντας την κλιμάκωση και λειτουργία σε περιορισμένα περιβάλλοντα. Συμπληρωματικά, ενσωματώνεται μηχανισμός επιλογής συμμετεχόντων με βάση βαθμολογία, ο οποίος αξιοποιείται σε εφαρμογή υγείας με κινητά τηλέφωνα, μειώνοντας επικοινωνιακή επιβάρυνση και ενισχύοντας τη σταθερότητα εκπαίδευσης σε μη ομοιόμορφα δεδομένα. Σε ό,τι αφορά την ερμηνευσιμότητα, εξετάζονται μοντέλα για την ανίχνευση Μη Τεχνικών Απωλειών σε ηλεκτρικά δίκτυα, με χρήση δεδομένων κατανάλωσης από παραδοσιακούς μετρητές. Εφαρμόζονται τεχνικές ερμηνευσιμότητας που επιτρέπουν στους παρόχους να κατανοούν τους παράγοντες που οδηγούν στις προβλέψεις, ενώ αποδεικνύεται ότι παρόμοια ακρίβεια επιτυγχάνεται και με περιορισμένο αριθμό χαρακτηριστικών, ενισχύοντας τη διαφάνεια και μειώνοντας το υπολογιστικό κόστος. Τέλος, πραγματοποιείται αναλυτική μελέτη των προκλήσεων που αφορούν την υλοποίηση της Ομοσπονδιακής Μάθησης σε πραγματικές συνθήκες, όπως η ετερογένεια των δεδομένων, οι τεχνικές προστασίας ιδιωτικότητας, η περιορισμένη διαθεσιμότητα δεδομένων και η εξατομίκευση μοντέλων. Διατυπώνονται πρακτικές συστάσεις που γεφυρώνουν το χάσμα μεταξύ θεωρητικής έρευνας και εφαρμοσμένης χρήσης. Συνολικά, η διατριβή αποδεικνύει ότι η κατασκευή Υπεύθυνων Συστημάτων Τεχνητής Νοημοσύνης είναι όχι μόνο εφικτή αλλά και αναγκαία. Μέσα από την ανάλυση των αρχών της ιδιωτικότητας, της ερμηνευσιμότητας, της βιωσιμότητας και των προκλήσεων υλοποίησης, συμβάλλει με πρακτικά εργαλεία και γνώσεις που ενισχύουν τη χρηστικότητα, την αξιοπιστία και τη συμμόρφωση της ΤΝ με τις ανάγκες της κοινωνίας.