Qiang Yang
Si puede haber aprendizaje automático útil cuando los datos con los que se entrenaría o evaluaría no pueden trasladarse a un único lugar por razones legales, de privacidad o comerciales.
Yang fue coautor del libro de referencia fundacional sobre aprendizaje federado, y su línea de investigación actual —primero en HKUST y ahora también desde WeBank— trata el mismo problema a escala industrial: construir sistemas de ML en los que varias organizaciones aportan datos sin que los datos salgan nunca de sus instalaciones. El libro anterior sobre aprendizaje por transferencia planteaba la pregunta relacionada de cuándo el conocimiento de una tarea o dominio puede trasladarse útilmente a otro. Para ai100, que hoy audita motores sobre comportamiento de consulta pública pero quizá algún día necesite evaluar el comportamiento de modelos sobre datos que los propietarios de marcas no pueden publicar, la metodología de evaluación federada es la literatura que ya elaboró los compromisos entre privacidad y utilidad.