Apple Uses New Tech That Compares Synthetic Data With Real Emails To Train AI Models, Then Applies Embeddings And Privacy Tools To Improve Text Output Quality

Apple Uses New Tech That Compares Synthetic Data With Real Emails To Train AI Models, Then Applies Embeddings And Privacy Tools To Improve Text Output Quality

La función de Siri personalizada de Apple se ha pospuesto hasta el próximo año, con una ventana de lanzamiento que se ha desplazado más allá del lanzamiento inicial de iOS 18.4. A pesar de este contratiempo, la confianza interna sigue siendo alta en que la función llegará más tarde este año. El retraso se debe a complejos desafíos técnicos en el entrenamiento de los modelos de Apple Intelligence, particularmente en relación con las limitaciones del uso de datos sintéticos para tareas matizadas como la resumización de correos electrónicos. Para superar estos obstáculos sin comprometer la privacidad del usuario, Apple está empleando un método novedoso que compara los mensajes sintéticos con los datos del usuario localmente en los dispositivos. El núcleo de este nuevo enfoque implica generar correos electrónicos sintéticos para representar temas comunes y luego utilizar incrustaciones de dispositivos (embeddings) para identificar las coincidencias más cercanas dentro de los mensajes recientes de un usuario. Al aprovechar la privacidad diferencial, Apple agrega estas selecciones para comprender tendencias lingüísticas más amplias y mejorar la precisión del modelo. Esta técnica permite a la empresa refinar sus conjuntos de datos sintéticos basándose en patrones de uso del mundo real, mientras asegura que ningún dato de usuario individual sea expuesto o recopilado centralmente, equilibrando efectivamente las mejoras de rendimiento con estrictas protecciones de privacidad. Este desarrollo es relevante para los datos abiertos porque ilustra una alternativa sofisticada a los modelos tradicionales de recopilación de datos. Demuestra cómo el entrenamiento de IA a gran escala puede ocurrir mediante el uso de análisis locales en dispositivos y retroalimentación estadística anonimizada, en lugar de recolecciones centralizadas de datos personales. Esto resalta el panorama en evolución de la gobernanza de datos, mostrando que el entrenamiento de modelos de alta calidad no necesariamente requiere sacrificar la privacidad del usuario ni depender de métodos opacos de extracción de datos, ofreciendo una posible plantilla para el desarrollo ético de IA en industrias conscientes de la privacidad.

Noticias relacionadas

• Understanding Aggregate Trends for Apple Intelligence Using Differential Privacy
• Apple needs its AI to be better but wants you to know it still really, really cares about your privacy
• How Apple gets AI training data without violating anyone’s privacy
• On-device Apple Intelligence training methods seem to be based on a controversial technology
• Meta utilizará datos públicos de sus usuarios en la UE para entrenar a sus modelos de IA