Học Liên Kết (Federated Learning): Hướng Dẫn Chi Tiết về AI Hợp Tác

Học liên kết mang đến cách phát triển mô hình AI một cách hợp tác trên các tập dữ liệu phân tán mà không làm ảnh hưởng đến quyền riêng tư dữ liệu. Đây là lời giải cho các thách thức liên quan đến bảo mật dữ liệu, tuân thủ quy định và bản địa hóa dữ liệu. Với học liên kết, các tổ chức đang tối đa hóa tiềm năng của dữ liệu lớn đồng thời tuân thủ các quy định về quyền riêng tư. 

Trong hướng dẫn này, chúng tôi khám phá các nguyên lý cốt lõi của học liên kết, cách triển khai và các ứng dụng tiềm năng trên nhiều ngành. Từ chăm sóc sức khỏe và tài chính đến ứng dụng di động và Internet vạn vật, chúng ta sẽ xem cách tiếp cận AI hợp tác này cân bằng giữa hiệu năng mô hình và bảo vệ dữ liệu. Nếu bạn hoàn toàn mới trong lĩnh vực này, hãy tham gia khóa Understanding Machine Learning của chúng tôi mà không cần viết mã.

Khám phá cách AI có thể tác động đến tổ chức của bạn và cách triển khai chiến lược AI thành công với whitepaper The Learning Leader's Guide to AI Literacy.

Học Liên Kết là gì? 

Học liên kết là một mô hình học máy tiên tiến, tạo điều kiện huấn luyện mô hình AI trên mạng lưới các thiết bị hoặc máy chủ phi tập trung. Cách tiếp cận này cho phép mỗi nút đóng góp vào quá trình học của mô hình bằng dữ liệu cục bộ của mình mà không cần trao đổi hay tập trung các mẫu dữ liệu đó. Phương pháp này cho phép học tập hợp tác trong khi vẫn giữ dữ liệu thô tại nguồn, giải quyết các mối quan ngại về quyền riêng tư và bảo mật.

Lợi ích của học liên kết

Học liên kết khác với các phương pháp học máy tập trung truyền thống. Ở các phương pháp thông thường, toàn bộ dữ liệu huấn luyện được tập hợp về một nơi trung tâm để huấn luyện mô hình. Ngược lại, học liên kết đưa mô hình đến nơi có dữ liệu, chứ không phải ngược lại. Tính phi tập trung này mang lại một số ưu điểm chính:

1. Tăng cường quyền riêng tư: Dữ liệu thô không bao giờ rời khỏi vị trí gốc, giảm đáng kể rủi ro rò rỉ hoặc truy cập trái phép.
2. Cải thiện bảo mật: Việc giữ dữ liệu tại chỗ giúp giảm bề mặt tấn công cho tin tặc.
3. Tuân thủ quy định: Cách tiếp cận này giúp tổ chức tuân thủ các quy định bảo vệ dữ liệu như GDPR, vốn hạn chế việc di chuyển dữ liệu qua biên giới.
4. Giảm truyền tải dữ liệu: Hạn chế phải di chuyển các tập dữ liệu lớn giúp tiết kiệm băng thông và giảm độ trễ trong quá trình huấn luyện.

Học liên kết so với liên kết dữ liệu (data federation)

Trong khi học liên kết tập trung vào huấn luyện mô hình phân tán, nó có một số điểm tương đồng về khái niệm với liên kết dữ liệu, một cách tiếp cận khác để xử lý dữ liệu phân tán. Cả hai kỹ thuật đều nhằm rút ra insights từ các nguồn dữ liệu phi tập trung mà không cần tập trung dữ liệu thô.

Về cơ bản, học liên kết tập trung vào việc cùng nhau huấn luyện các mô hình học máy trên nhiều thiết bị mà không chia sẻ dữ liệu thô, sau đó tổng hợp đầu ra cho mỗi mô hình; còn liên kết dữ liệu cung cấp quyền truy cập tập trung vào dữ liệu phân tán. Để hiểu rộng hơn về xử lý dữ liệu phân tán, bạn có thể thấy hữu ích khi đọc bài viết What Is a Data Federation?

Học Liên Kết Hoạt Động Như Thế Nào?

Học liên kết vận hành qua một chuỗi bước phối hợp, cho phép huấn luyện mô hình hợp tác đồng thời giữ quyền riêng tư dữ liệu. Quá trình này có thể chia thành ba giai đoạn chính: khởi tạo, huấn luyện cục bộ, và tổng hợp các bản cập nhật. Hãy cùng xem chi tiết từng giai đoạn:

Giai đoạn khởi tạo

Quy trình học liên kết bắt đầu với giai đoạn khởi tạo:

1. Một máy chủ trung tâm phát triển mô hình toàn cục ban đầu. Mô hình này là điểm xuất phát cho quá trình học liên kết.
2. Máy chủ phân phối mô hình toàn cục này đến một nhóm thiết bị hoặc máy chủ khách tham gia đã chọn. Các khách này có thể là điện thoại thông minh, thiết bị IoT hoặc máy chủ cục bộ tại các tổ chức khác nhau.
3. Cùng với mô hình, máy chủ gửi hướng dẫn huấn luyện, bao gồm siêu tham số, số epoch cục bộ cần thực hiện và các chi tiết cấu hình liên quan khác.
4. Các khách nhận mô hình toàn cục và chuẩn bị huấn luyện trên dữ liệu cục bộ của họ.

Huấn luyện cục bộ

Khi khách nhận được mô hình toàn cục, giai đoạn huấn luyện cục bộ bắt đầu:

1. Mỗi thiết bị khách huấn luyện mô hình chỉ bằng dữ liệu cục bộ của chính nó. Đây là đặc trưng của học liên kết – dữ liệu thô không bao giờ rời khỏi thiết bị.
2. Quy trình huấn luyện trên mỗi thiết bị tương tự học máy truyền thống, có thể bao gồm lan truyền xuôi, tính hàm mất mát và lan truyền ngược để cập nhật tham số mô hình.
3. Các khách thực hiện số epoch hoặc vòng lặp huấn luyện theo quy định trong giai đoạn khởi tạo.
4. Sau khi hoàn tất huấn luyện cục bộ, mỗi khách tính toán chênh lệch giữa tham số mô hình đã cập nhật và tham số mô hình toàn cục ban đầu. Chênh lệch này đại diện cho bản cập nhật cục bộ.

Tổng hợp các bản cập nhật

Giai đoạn cuối liên quan đến việc tổng hợp các cập nhật cục bộ để cải thiện mô hình toàn cục:

1. Các khách gửi tham số mô hình đã cập nhật về máy chủ trung tâm. Quan trọng là, chỉ các bản cập nhật mô hình được truyền đi, không phải dữ liệu thô hay toàn bộ mô hình cục bộ đã huấn luyện.
2. Máy chủ trung tâm nhận cập nhật từ nhiều khách và tổng hợp chúng để tạo ra mô hình toàn cục mới. Việc tổng hợp thường thực hiện bằng quy trình gọi là trung bình liên kết (federated averaging), trong đó máy chủ tính trung bình có trọng số của tất cả các bản cập nhật từ khách.
3. Để tăng cường quyền riêng tư, có thể áp dụng các kỹ thuật như tổng hợp an toàn hoặc quyền riêng tư vi sai trong bước này. Những phương pháp này bổ sung một lớp bảo vệ, gần như không thể truy ngược đóng góp cá nhân từ bản cập nhật đã tổng hợp.
4. Máy chủ cập nhật mô hình toàn cục với các thay đổi đã tổng hợp, tạo ra phiên bản cải tiến đã học từ nhiều nguồn dữ liệu đa dạng mà không cần truy cập trực tiếp dữ liệu cục bộ nào.
5. Mô hình toàn cục mới sau đó được phân phối trở lại cho các khách, và quy trình lặp lại từ giai đoạn khởi tạo cho vòng huấn luyện tiếp theo.

Qua các vòng lặp huấn luyện cục bộ và tổng hợp toàn cục như vậy, mô hình học liên kết dần được cải thiện.

Các Loại Hình Học Liên Kết

Học liên kết bao gồm nhiều cách tiếp cận, mỗi cách được thiết kế để giải quyết các tình huống và thách thức cụ thể trong học máy phân tán. Mặc dù nguyên tắc cốt lõi là huấn luyện mô hình trên dữ liệu phi tập trung luôn giữ nguyên, cách triển khai có thể khác nhau. Hãy cùng khám phá bốn loại hình chính của học liên kết:

Học liên kết tập trung

Học liên kết tập trung, còn gọi là học liên kết dựa trên máy chủ, là cách tiếp cận phổ biến nhất. Phương pháp chúng tôi giới thiệu ở trên là đặc trưng của học liên kết tập trung. Trong học liên kết tập trung, một máy chủ trung tâm điều phối toàn bộ quá trình học. Máy chủ khởi động huấn luyện bằng cách phân phối mô hình toàn cục cho các khách, những khách này huấn luyện mô hình cục bộ rồi gửi cập nhật trở lại máy chủ. Cuối cùng, máy chủ tổng hợp các cập nhật này để cải thiện mô hình toàn cục.

Cách tiếp cận này lý tưởng trong các kịch bản có một thực thể trung tâm đáng tin cậy quản lý quy trình, chẳng hạn một công ty công nghệ cải thiện dịch vụ trên thiết bị người dùng hoặc một liên minh y tế điều phối nghiên cứu trên nhiều bệnh viện.

Học liên kết phi tập trung

Học liên kết phi tập trung loại bỏ nhu cầu về máy chủ trung tâm. Trong mô hình này, các khách giao tiếp trực tiếp với nhau trong mạng ngang hàng, và mỗi khách vừa là người học vừa là bộ tổng hợp. Mô hình hoặc cập nhật được chia sẻ giữa các khách, thường sử dụng blockchain hoặc công nghệ sổ cái phân tán khác, và mô hình toàn cục hình thành từ tương tác tập thể của tất cả khách.

Cách tiếp cận này đặc biệt hữu ích khi không có một cơ quan trung tâm đáng tin cậy duy nhất, hoặc khi cần tăng cường quyền riêng tư và khả năng chống lỗi điểm đơn lẻ.

Học liên kết dị thể

Học liên kết dị thể giải quyết thách thức huấn luyện trên các thiết bị và phân bố dữ liệu đa dạng, vì nó thích ứng với các thiết bị có năng lực tính toán và tài nguyên khác nhau. Điều này được thực hiện bằng cách sử dụng các thuật toán thích nghi để xử lý chất lượng và số lượng dữ liệu khác nhau giữa các khách.

Loại hình này hữu ích trong các ứng dụng thực tế nơi dữ liệu và thiết bị vốn dĩ đa dạng, như trong mạng IoT hoặc khi huấn luyện mô hình giữa các tổ chức khác nhau.

Học liên kết xuyên silo

Học liên kết xuyên silo tập trung vào hợp tác giữa các tổ chức hay silo dữ liệu khác nhau. Nó liên quan đến một số ít bên tham gia đáng tin cậy, thường là các tổ chức hơn là thiết bị cá nhân. Các bên tham gia thường có tập dữ liệu lớn hơn và kết nối ổn định hơn so với bối cảnh xuyên thiết bị. Mô hình này có thể đòi hỏi các thỏa thuận pháp lý và tổ chức phức tạp về chia sẻ dữ liệu và quyền sở hữu mô hình. Thường được dùng trong các trường hợp như nghiên cứu hợp tác giữa các viện hoặc hệ thống phát hiện gian lận giữa các ngân hàng.

Cách tiếp cận này cho phép các tổ chức hưởng lợi từ trí tuệ tập thể trong khi vẫn kiểm soát dữ liệu nhạy cảm của mình.

Ứng Dụng của Học Liên Kết

Học liên kết đang thay đổi cách các ngành tiếp cận học máy, đặc biệt trong các tình huống coi trọng quyền riêng tư và bảo mật dữ liệu. Bằng cách cho phép học tập hợp tác mà không tập trung dữ liệu nhạy cảm, học liên kết đang được ứng dụng trong nhiều lĩnh vực. 

Chăm sóc sức khỏe

Học liên kết đang chuyển đổi nghiên cứu y học và chăm sóc bệnh nhân bằng cách cho phép bệnh viện và viện nghiên cứu hợp tác mà không ảnh hưởng đến quyền riêng tư bệnh nhân:

• Nghiên cứu ung thư: Dự án MELLODDY, với sự tham gia của mười công ty dược, sử dụng học liên kết để cải thiện khám phá thuốc điều trị ung thư mà không chia sẻ dữ liệu độc quyền.
• Y tế dự đoán: Các bệnh viện có thể cùng huấn luyện mô hình dự đoán kết quả điều trị, nguy cơ tái nhập viện, hoặc chẩn đoán bệnh hiếm dựa trên dữ liệu từ nhiều cơ sở.
• Chẩn đoán hình ảnh y khoa: Học liên kết cho phép phát triển các mô hình AI mạnh mẽ hơn để đọc X-quang, MRI và CT bằng cách học từ tập dữ liệu đa dạng trên nhiều nhà cung cấp dịch vụ y tế.
• Ứng phó đại dịch: Trong đại dịch COVID-19, học liên kết giúp hợp tác nhanh giữa các bệnh viện toàn cầu để phát triển mô hình dự đoán kết quả bệnh nhân và phân bổ nguồn lực.

Tài chính

Các tổ chức tài chính đang tận dụng học liên kết để nâng cao dịch vụ đồng thời duy trì quyền riêng tư dữ liệu nghiêm ngặt và tuân thủ quy định:

• Phát hiện gian lận: Các ngân hàng hợp tác huấn luyện mô hình phát hiện gian lận hiệu quả hơn mà không chia sẻ dữ liệu giao dịch nhạy cảm, như các dự án do WeBank tại Trung Quốc dẫn dắt.
• Chấm điểm tín dụng: Các bên cho vay có thể phát triển mô hình đánh giá rủi ro tín dụng chính xác hơn bằng cách học từ nhóm khách hàng đa dạng trên nhiều tổ chức, mà không cần tập trung dữ liệu tài chính cá nhân.
• Chống rửa tiền (AML): Các tổ chức tài chính sử dụng học liên kết để cải thiện hệ thống AML bằng cách cùng huấn luyện trên các mẫu từ nhiều ngân hàng mà không tiết lộ chi tiết giao dịch cá nhân.
• Dịch vụ tài chính cá nhân hóa: Ngân hàng có thể đưa ra gợi ý sản phẩm và tư vấn đầu tư dựa trên các mô hình được huấn luyện trên nhóm khách hàng đa dạng, đồng thời giữ kín dữ liệu của từng khách hàng.

Thiết bị IoT và di động

Học liên kết đang nâng cao năng lực của các thiết bị biên, cải thiện trải nghiệm người dùng đồng thời bảo vệ quyền riêng tư:

• Dự đoán bàn phím điện thoại: Gboard của Google sử dụng học liên kết để cải thiện dự đoán từ kế tiếp và tự động sửa lỗi mà không gửi dữ liệu gõ phím cá nhân lên máy chủ trung tâm.
• Thiết bị nhà thông minh: Học liên kết cho phép thiết bị IoT học từ hành vi người dùng để tối ưu hóa tiêu thụ năng lượng, tính năng bảo mật và tự động hóa mà không chia sẻ dữ liệu hộ gia đình.
• Xe tự hành: Các hãng xe đang nghiên cứu học liên kết để cải thiện hệ thống lái tự động bằng cách học từ nhiều tình huống lái xe đa dạng trên nhiều phương tiện mà không cần tập trung dữ liệu vị trí và lái xe nhạy cảm.
• Thiết bị đeo theo dõi sức khỏe: Vòng tay theo dõi và đồng hồ thông minh sử dụng học liên kết để cải thiện thuật toán theo dõi sức khỏe, học từ dữ liệu người dùng đa dạng mà không ảnh hưởng đến thông tin sức khỏe cá nhân.

Những ứng dụng này cho thấy học liên kết không chỉ là khái niệm lý thuyết mà còn là giải pháp thực tiễn cho các thách thức trong thế giới thực trên nhiều ngành.

Những Lưu Ý Nâng Cao về Quyền Riêng Tư và Bảo Mật trong Học Liên Kết

Mặc dù học liên kết vốn dĩ tăng cường quyền riêng tư bằng cách giữ dữ liệu thô tại chỗ, vẫn có thêm các kỹ thuật được áp dụng để củng cố bảo vệ dữ liệu. Những phương pháp này đảm bảo ngay cả các bản cập nhật mô hình được chia sẻ trong quá trình học cũng không vô tình tiết lộ thông tin nhạy cảm.

Quyền riêng tư vi sai (Differential privacy)

Quyền riêng tư vi sai là một khung toán học thêm nhiễu có kiểm soát vào dữ liệu hoặc bản cập nhật mô hình, khiến gần như không thể truy ngược các điểm dữ liệu cá nhân:

• Thêm nhiễu: Nhiễu ngẫu nhiên được thêm vào các bản cập nhật mô hình trước khi gửi lên máy chủ trung tâm. Nhiễu này che khuất đóng góp cá nhân trong khi vẫn giữ các mẫu thống kê tổng thể.
• Ngân sách quyền riêng tư (ε): Ngân sách quyền riêng tư, ký hiệu ε (epsilon), định lượng mức tổn thất quyền riêng tư tối đa cho phép - ε càng nhỏ, thêm càng nhiều nhiễu, đảm bảo quyền riêng tư mạnh hơn nhưng có thể làm giảm độ chính xác của mô hình.
• Cắt tỉa thích ứng (Adaptive clipping): Để cân bằng giữa quyền riêng tư và tính hữu dụng, các kỹ thuật cắt tỉa thích ứng được dùng để xác định lượng nhiễu tối ưu dựa trên độ nhạy của dữ liệu.
• Quyền riêng tư vi sai cục bộ và toàn cục: Ở dạng cục bộ, nhiễu được thêm ngay trên thiết bị khách, trong khi ở dạng toàn cục, nhiễu được thêm trong quá trình tổng hợp trên máy chủ.

Tổng hợp an toàn (Secure aggregation)

Tổng hợp an toàn là kỹ thuật mật mã cho phép máy chủ tính tổng các bản cập nhật mô hình từ nhiều khách mà không nhìn thấy từng bản cập nhật riêng lẻ:

• Che mặt nạ theo cặp: Các khách tạo mặt nạ ngẫu nhiên triệt tiêu khi được cộng trên tất cả người tham gia. Mặt nạ này được áp vào bản cập nhật trước khi chia sẻ.
• Mã hóa ngưỡng: Quá trình tổng hợp được chia giữa nhiều máy chủ, yêu cầu một số lượng máy chủ tối thiểu hợp tác để giải mã kết quả cuối cùng.
• Xử lý rớt kết nối: Giao thức tổng hợp an toàn được thiết kế để xử lý việc khách rớt kết nối, đảm bảo quá trình hoàn tất ngay cả khi một số khách không còn khả dụng.
• Hiệu quả tính toán: Những tiến bộ gần đây đã giảm đáng kể chi phí tính toán của tổng hợp an toàn, khiến nó khả thi cho hệ thống học liên kết quy mô lớn.

Mã hóa đồng cấu (Homomorphic encryption)

Mã hóa đồng cấu là kỹ thuật tiên tiến cho phép tính toán trên dữ liệu đã mã hóa: Nó cho phép máy chủ thực hiện thao tác trên các bản cập nhật mô hình đã mã hóa mà không cần giải mã, bổ sung lớp bảo mật và bảo toàn quyền riêng tư.

Thách Thức của Học Liên Kết

Mặc dù học liên kết mang lại nhiều lợi ích, nó cũng đối mặt một số thách thức. Hãy xem các thách thức chính và một vài hướng giải pháp.

Chi phí truyền thông

Hệ thống học liên kết thường liên quan đến trao đổi thường xuyên giữa máy chủ trung tâm và nhiều thiết bị khách, dẫn đến chi phí truyền thông đáng kể. 

Thách thức:

• Hạn chế băng thông: Truyền các bản cập nhật mô hình, đặc biệt với mạng nơ-ron lớn, có thể tiêu tốn nhiều băng thông.
• Quan ngại về khả năng mở rộng: Khi số thiết bị tham gia tăng, chi phí truyền thông có thể tăng theo cấp số.

Giải pháp và nghiên cứu đang diễn ra:

• Nén gradient: Các kỹ thuật như lượng tử hóa và thưa hóa giúp giảm kích thước bản cập nhật mô hình.
• SGD cục bộ: Stochastic gradient descent là thuật toán tối ưu hóa được các khách dùng trong học liên kết để huấn luyện mô hình trên dữ liệu cục bộ. SGD cục bộ đề cập đến việc thực hiện nhiều vòng lặp SGD cục bộ trước khi giao tiếp với máy chủ trung tâm.

Không đồng nhất thiết bị

Học liên kết thường bao gồm nhiều loại thiết bị với năng lực tính toán và lưu trữ khác nhau. 

Thách thức:

• Chênh lệch tính toán: Một số thiết bị có thể gặp khó khăn khi thực hiện tác vụ huấn luyện mô hình phức tạp.
• Hạn chế năng lượng: Thiết bị dùng pin cần cân bằng giữa huấn luyện mô hình và tiết kiệm năng lượng.

Giải pháp và nghiên cứu đang diễn ra:

• Huấn luyện cục bộ thích ứng: Điều chỉnh độ phức tạp tính toán cục bộ dựa trên năng lực thiết bị.
• Nén mô hình: Các kỹ thuật như cắt tỉa (pruning) và chưng cất tri thức để tạo mô hình nhỏ gọn, hiệu quả.

Rủi ro bảo mật dữ liệu

Mặc dù học liên kết nâng cao quyền riêng tư, nó cũng xuất hiện các vấn đề bảo mật mới. 

Thách thức:

• Đầu độc mô hình: Tác nhân xấu có thể cố gắng đưa dữ liệu xấu hoặc cập nhật mô hình độc hại để làm hỏng mô hình toàn cục.
• Tấn công suy luận: Các kỹ thuật tinh vi có thể được dùng để suy ra thông tin về dữ liệu huấn luyện từ bản cập nhật mô hình.

Giải pháp và nghiên cứu đang diễn ra:

• Tổng hợp vững chắc: Các kỹ thuật như tổng hợp dựa trên trung vị và thuật toán chống Byzantine để phát hiện và giảm thiểu cập nhật độc hại.
• Quyền riêng tư vi sai: Thêm nhiễu có kiểm soát vào các bản cập nhật mô hình để ngăn chặn tấn công suy luận.

Bất chấp những thách thức này, lĩnh vực đang phát triển nhanh chóng, với các nhà nghiên cứu và thực hành tích cực tìm kiếm giải pháp sáng tạo. Những nỗ lực này không chỉ giải quyết hạn chế hiện tại mà còn mở ra khả năng mới.

Kết luận

Học liên kết là một bước tiến quan trọng trong học máy, mang đến cách tiếp cận bảo toàn quyền riêng tư cho phát triển AI hợp tác. Việc cho phép huấn luyện mô hình trên dữ liệu phi tập trung giải quyết các lo ngại về quyền riêng tư và bảo mật dữ liệu, đồng thời vẫn tận dụng sức mạnh của các tập dữ liệu đa dạng. 

Dù phải đối mặt với chi phí truyền thông, sự không đồng nhất của thiết bị và rủi ro bảo mật tiềm ẩn, nghiên cứu và tiến bộ công nghệ đang tiếp tục cải thiện hiệu quả của hệ thống học liên kết. Khi các quy định về quyền riêng tư trở nên nghiêm ngặt hơn và giá trị của dữ liệu tăng lên, học liên kết có khả năng sẽ ngày càng đóng vai trò quan trọng trong tương lai của AI và học máy.

Đối với những ai muốn đào sâu hiểu biết về học máy và có thể bổ sung học liên kết vào bộ kỹ năng, chúng tôi khuyến nghị:

1. Introduction to Machine Learning in Python tutorial: Nếu bạn mới bắt đầu với học máy, tutorial này là điểm khởi đầu tuyệt vời. Nó giới thiệu các khái niệm và kỹ thuật chính bằng Python, tạo nền tảng cho các chủ đề nâng cao như học liên kết.
2. End-to-End Machine Learning course: Nếu bạn quan tâm đến một khóa học đầy đủ, khóa End-to-End Machine Learning sẽ cung cấp nền tảng vững chắc về nguyên lý và thực hành học máy, mang đến nền tảng cần thiết để hiểu và triển khai các kỹ thuật nâng cao như học liên kết.
3. Machine Learning Scientist with Python career track: Cuối cùng, nếu bạn thực sự muốn theo đuổi sự nghiệp, lộ trình Machine Learning Scientist with Python mang đến kiến thức chuyên sâu về học máy với Python, bao quát nhiều chủ đề và kỹ thuật thiết yếu. Những kỹ năng ở đây sẽ hữu ích cho những ai quan tâm triển khai hệ thống học liên kết.

Bằng cách rèn luyện những kỹ năng nền tảng về học máy này, bạn sẽ sẵn sàng khám phá và đóng góp cho các lĩnh vực mới nổi như học liên kết, đặt mình ở vị trí tiên phong của phát triển AI bảo toàn quyền riêng tư.