Какво представлява и как работи
Какво е федеративно обучение?
Концепцията за федеративно обучение съществува от известно време, но едва наскоро компаниите започнаха да я възприемат.
Федералното обучение прилага методи за машинно обучение към разпределени данни, съхранявани на децентрализирани крайни устройства (като мобилни телефони) или сървъри. Оригиналните данни никога не се преместват на централизиран сървър. Остава на апарата. Предимствата на тази стратегия са сигурността на данните и поверителността, тъй като няма начин някой друг да има достъп до данните. Локализираните версии на алгоритъма се обучават с помощта на локална информация. След това те могат да споделят резултатите от обучението с централизиран сървър, за да създадат „глобален“ модел или алгоритъм. След това крайните устройства могат да споделят отново това, за да продължат да учат.
Обединеното обучение предоставя начин за отключване на данни за захранване на нови AI приложения чрез обучение на AI модели, без да позволявате на никого да вижда или осъществява достъп до вашите данни.
Стратегията се характеризира като сигурна, устойчива и с ниско въздействие. Поради огромното количество уместни данни, които са били използвани в процеса на обучение, крайният модел ще бъде по-точен от централизиран модел. Също така е важно да се отбележи, че тъй като моделите са обучени на периферни устройства, се консумира по-малко енергия, особено в светлината на нарастващото значение на екологичните проблеми.
Как работи федеративното обучение?
Федерираното обучение включва отдалечено споделяне на данни между няколко индивида, за да се обучи съвместно единичен модел на задълбочено обучение и постепенното му подобряване, подобно на групова презентация или доклад. Всяка страна получава модела от облачен център за данни, който често е основен модел, който вече е обучен. Новата конфигурация на модела се обобщава и криптира, след като го обучат с личните си данни. Актуализациите на модела се предават обратно в облака, където се дешифрират, усредняват и добавят към основния модел. Съвместното обучение продължава итерация след итерация, докато моделът бъде напълно обучен.
Има три вариации:
- Основният модел в хоризонталното обединено обучениесе обучава върху сравними набори от данни.
- Данните се допълват във вертикалното обединено обучение; рецензиите на филми и книги, например, се комбинират, за да се прогнозират музикалните вкусове на дадено лице.
- И накрая, обучението с федерален трансфервключва обучение на основен модел, който вече е бил обучен да изпълнява една задача, като например откриване на автомобили, върху различен набор от данни, за да изпълнява различна задача, като например идентифициране на котки.
Основните модели в момента се включват във федеративно обучение от Баракалдо и нейните колеги. При едно потенциално приложение банките биха могли да обучат AI модел за откриване на измами, след което да го пренасочат за други случаи на употреба.
Случаи на използване на обединено обучение:
Мобилните телефони често се използват по този начин. Като илюстрация, разгледайте предсказуемия текст, който ще се опита да отгатне следващата дума, която възнамерявате да въведете, като първо предложи цялата дума, която току-що сте започнали да въвеждате. Писането на имейли или обучението на самоуправляващи се автомобили въз основа на действителното поведение на водачите са още два случая, в които може да се използва. Или може да се използва в медицински заведения за подобряване на диагнозите на пациентите, като същевременно защитава поверителността на пациента.
Какви са ползите от федеративното обучение?
Алгоритмите за дълбоко обучение изискват много данни за обучение, за да произведат ценни прогнози. Бизнесът в силно регулираните сектори обаче не е склонен да поеме шанса да използва или разкрие чувствителни данни, за да създаде модел на ИИ в замяна на обещанието за неясни печалби.
Регламентите за поверителност и фрагментираният пазар попречиха на сектора на здравеопазването да използва AI в пълния си потенциал. Федералното обучение може да даде възможност на бизнеса да обучава съвместно децентрализиран модел, без да разкрива лична информация за пациента. Комбинирането и анализирането на медицински данни в мащаб може да доведе до нови методи за идентифициране и лечение на заболявания като рак, като MRI на мозъка и сканиране на белите дробове.
Много други индустрии също могат да се възползват от федеративното обучение. Банките може да са в състояние да установят по-точни кредитни рейтинги на клиенти или да увеличат капацитета си за откриване на измами чрез комбиниране на финансови данни на клиента. Комбинирането на автомобилни застрахователни обезщетения може да генерира нови концепции за подобряване на трафика и безопасността на шофьорите, а агломерациите на звук и изображение от фабрични производствени линии могат да помогнат за ранното откриване на повреди в оборудването или некачествени стоки.
Федерираното обучение също така предоставя метод за използване на пожарния маркуч от поточно предаване на данни минута по минута от сензори на сушата, морето и космоса като повече изчисления се прехвърлят към мобилни телефони и други крайни устройства. В регионален мащаб комбинирането на сателитни снимки от няколко нации може да подобри оценките за климата и повишаването на морското равнище. Местната информация от милиардите свързани с интернет устройства може да отговори на въпроси, които дори не сме обмисляли.
Заключение
Твърди се, че федеративното обучение предлага механизъм за „учене от всички, без да научавате за никого.“ В сравнение с централизираната работа, това е значително по-безопасно и всички потребителски данни се пазят поверителни. В допълнение, той използва по-малко енергия и е по-бърз от централизиран ML модел.
Ако обичате да четете истории като тези и искате да ме подкрепите като писател, помислете за „да се регистрирате, за да станете член на Medium“. Това е $5 на месец, което ви дава неограничен достъп до истории в Medium. Ако се регистрирате чрез моята връзка, ще спечеля малка комисионна.
Благодарим ви много, че ме прочетохте! Ако ви е харесало това парче, моля, ръкопляскайте го един-два пъти, за да могат и другите да го намерят!
Моите най-скорошни публикации:
- „Пасивният доход е за всеки“
- „Управление на данни и защо има значение“
- „Пълното ръководство, за да станете по-добър специалист по данни“
- „Мислете мащабно, започнете с малко – Успех за една нощ?“
Абонирайте се за DDIntel Тук.
Посетете нашия уебсайт тук: https://www.datadriveninvestor.com
Присъединете се към нашата мрежа тук: https://datadriveninvestor.com/collaborate
