FLock.io disorot oleh program MINDS dari World Economic Forum untuk dua trust NHS yang menggunakan AI privasi-terjaga untuk mengatasi penyakit besar. Moorfields Eye Hospital dan University College London Hospitals menggunakan platform pembelajaran terfederasi (federated learning) FLock.io untuk melatih model klinis bagi deteksi penyakit mata dan manajemen diabetes sambil mempertahankan 100% kedaulatan data. Pengakuan ini menanggapi tantangan inti di industri teregulasi seperti layanan kesehatan, di mana aturan privasi data dan kekhawatiran keamanan membatasi penggunaan AI dengan mencegah pertukaran data pasien yang sensitif.
Trust NHS Menerapkan FLock.io untuk Deteksi Penyakit Mata dan Manajemen Diabetes
FLock.io bekerja sama dengan peneliti NHS dari UCL dan mitra klinis dari University College London Hospitals untuk peringatan pemantauan glukosa. Platform ini memberdayakan klinisi dengan prediksi berbasis AI yang dilatih secara lokal menggunakan data dari 400+ pasien. Platform ini memungkinkan pelatihan kolaboratif lintas mitra di Inggris, Eropa, AS, dan China sambil memastikan data pasien tidak pernah keluar dari jaringan trust NHS yang aman, sehingga mempertahankan 100% kedaulatan data.
Sekitar 14.000 pengguna akhir, termasuk pasien yang menggunakan aplikasi manajemen diabetes, berinteraksi dengan platform FLock.io di seluruh Inggris, Asia Tenggara, dan Asia Timur. Tahap berikutnya — uji coba dunia nyata prediksi glukosa lintas benua dengan 100 pasien — akan dimulai musim panas ini. FLock.io memperkirakan pencegahan berbasis AI di NHS dapat menghasilkan lebih dari £100M dalam penghematan tahunan, berdasarkan penurunan 1% dari £10B+ yang saat ini dibelanjakan untuk manajemen diabetes.
Bersama Moorfields Eye Hospital, FLock.io telah menyelesaikan riset awal untuk deteksi penyakit mata berbasis federated learning. Pelatihan model AI menggunakan data gambar rumah sakit sedang berlangsung. Tujuan jangka panjangnya adalah mereplikasi model-model ini pada tambahan trust NHS. Sistem single-payer NHS dan tata kelola data yang konsisten membuatnya ideal untuk membuktikan federated learning dalam skala sebelum diperluas ke pasar lain.
FLock.io Menjawab Batasan Privasi Data Kesehatan
Regulasi privasi data dan kekhawatiran keamanan membatasi penggunaan AI oleh industri yang memegang data sensitif, termasuk rumah sakit, bank, dan lembaga pemerintah. Hal ini memaksa organisasi untuk mengabaikan adopsi AI atau bergantung pada model generik yang kurang akurat untuk domain atau menimbulkan risiko kepatuhan.
Pendekatan konvensional — seperti pelatihan AI berbasis cloud terpusat dan penerapan model on-premises — biasanya memerlukan sumber daya komputasi yang signifikan. Pendekatan ini tidak dapat menjamin perlindungan privasi yang kuat atau perlindungan terhadap serangan peracunan model dan kebocoran data, serta dapat mengorbankan akurasi model.
Teknologi Federated Learning Memungkinkan Pelatihan AI Kolaboratif
Federated learning memungkinkan pelatihan model AI kolaboratif tanpa berbagi data mentah. Setiap partisipan melatih model secara lokal dan aman di lingkungan on-premises atau perangkat edge. Mereka hanya membagikan pembaruan model yang dienkripsi, yang kemudian diagregasi untuk meningkatkan kinerja model, sehingga memungkinkan inferensi real-time.
Sorotan ini menempatkan pekerjaan FLock.io dalam program MINDS yang lebih luas, bersama ekosistem yang lebih besar yang berfokus pada penskalaan aplikasi AI dunia nyata berdampak tinggi melalui kolaborasi dengan Accenture. Cohort MINDS terbaru mencakup organisasi seperti Lenovo, Occidental, TCL Industries, Hisense Hitachi, dan KUKA.
FLock.io Memberikan Peningkatan Kinerja dan Biaya
FLock.io adalah perusahaan penelitian dan infrastruktur AI yang memelopori federated learning kelas perusahaan serta solusi AI terdistribusi yang mengutamakan privasi data. Arsitektur federated learning terdesentralisasi dan platform yang siap produksi (AI Arena, FL Alliance, dan FLock API Platform) memungkinkan organisasi melatih dan menerapkan model AI kustom mereka sendiri pada perangkat keras lokal sambil mempertahankan privasi data penuh, kepemilikan model, dan keselarasan regulasi secara inheren.
FLock.io secara efektif menggabungkan federated learning dan verifikasi berbasis blockchain untuk peningkatan akurasi model sebesar 37%, pengurangan kepemilikan biaya total sebesar 44%, penurunan risiko pelanggaran data atau serangan peracunan model, serta waktu penerapan yang lebih singkat 63%. Solusi ini juga lebih berkelanjutan, dengan energi pelatihan 80% lebih sedikit per pembaruan model.
Pemerintah Sarawak, Malaysia, juga saat ini sedang menyelesaikan uji coba AI yang berdaulat bersama FLock.io, termasuk di bidang layanan kesehatan. Selanjutnya, uji coba ini akan diterapkan oleh mitra rumah sakit di AS, Eropa, dan China serta menetapkan standar untuk kolaborasi AI kesehatan lintas-batas di Asia-Pasifik dan Eropa.
FAQ
Apa peran FLock.io dalam proyek AI di NHS?
FLock.io menyediakan platform federated learning untuk dua trust NHS — Moorfields Eye Hospital dan University College London Hospitals — untuk melatih model AI klinis bagi deteksi penyakit mata dan manajemen diabetes sambil mempertahankan 100% kedaulatan data. Platform ini memungkinkan pelatihan kolaboratif lintas mitra di Inggris, Eropa, AS, dan China tanpa memerlukan data pasien untuk keluar dari jaringan trust NHS yang aman.
Bagaimana federated learning menyelesaikan tantangan privasi data kesehatan?
Federated learning memungkinkan pelatihan model AI kolaboratif tanpa berbagi data mentah pasien. Setiap partisipan melatih model secara lokal dan aman di lingkungan on-premises atau perangkat edge, dengan hanya membagikan pembaruan model yang dienkripsi yang kemudian diagregasi untuk meningkatkan kinerja model. Pendekatan ini mengatasi regulasi privasi data dan kekhawatiran keamanan yang membatasi penggunaan AI di industri teregulasi seperti layanan kesehatan.
Peningkatan kinerja apa yang disediakan FLock.io?
FLock.io menggabungkan federated learning dan verifikasi berbasis blockchain untuk peningkatan akurasi model sebesar 37%, pengurangan kepemilikan biaya total sebesar 44%, waktu penerapan yang lebih singkat 63%, serta energi pelatihan 80% lebih sedikit per pembaruan model dibanding pendekatan konvensional. Platform ini melayani sekitar 14.000 pengguna akhir di Inggris, Asia Tenggara, dan Asia Timur.
