Föderiertes Lernen ist ein Maschinelles Lernen Technik, die es mehreren Parteien ermöglicht, ein Modell zu trainieren, ohne ihre Daten zu teilen. Es wird in verschiedenen Branchen eingesetzt, von Tastaturen für Mobilgeräte über das Gesundheitswesen bis hin zu autonomen Fahrzeugen und Bohrinseln. Es ist besonders nützlich in Situationen, in denen die gemeinsame Nutzung von Daten durch Vorschriften eingeschränkt oder sensibel oder proprietär ist, da es Unternehmen ermöglicht, an maschinellen Lernprojekten zusammenzuarbeiten, ohne den Datenschutz zu opfern. Es ist auch in Situationen hilfreich, in denen die Datenmengen unerschwinglich groß sind, was die Datenzentralisierung langsam und kostspielig macht.
Eines der Haupthindernisse beim maschinellen Lernen ist die Notwendigkeit großer Datenmengen. Dies kann eine Herausforderung für Organisationen sein, die keinen Zugriff auf große Datensätze haben oder mit sensiblen Daten arbeiten, die nicht freigegeben werden können. Federated Learning ermöglicht es diesen Organisationen, zu einem gemeinsamen Modell beizutragen, ohne ihre Daten teilen zu müssen.
Federated Learning kann auch helfen, das Problem der Datenhomogenität zu überwinden. In vielen Fällen werden Modelle mit Daten aus einer kleinen Gruppe von Quellen trainiert, die nicht die allgemeine Bevölkerung repräsentieren. Modelle, die auf engen Datensätzen trainiert wurden, lassen sich nicht gut verallgemeinern und sind daher leistungsschwach, wenn sie breiter eingesetzt werden. Federated Learning ermöglicht das Trainieren von Modellen auf einer größeren und vielfältigeren Menge von Datenquellen, ohne dass die Daten aus all diesen Datenquellen zentralisiert werden müssen, was zu robusteren Modellen mit besserer Leistung führt.
Darüber hinaus können die Kosten für Cloud-Computing-Ressourcen ein Hindernis beim maschinellen Lernen darstellen. Das Trainieren von Modellen für maschinelles Lernen kann rechenintensiv sein und teure Hardware wie GPUs (Graphical Processing Units) erfordern. Die Nutzung von Cloud-Instanzen für Schulungen kann sehr schnell teuer werden. Federated Learning ermöglicht es Unternehmen, die Last des Modelltrainings aufzuteilen und nicht ausgelastete Rechenressourcen oder Server zu nutzen, die sie bereits in ihren Rechenzentren haben. Dies kann zu erheblichen Kosteneinsparungen bei großen rechenintensiven Schulungsprozessen führen.
Viele Organisationen sind auch besorgt über die Erstellung redundanter Kopien großer Datenmengen. Dies kann hohe Speicherkosten sowie Kosten für Cloud-Anbieter für die Übertragung der Daten zwischen lokalen Rechenzentren und Cloud-Konten oder zwischen verschiedenen Cloud-Konten verursachen. Federated Learning ermöglicht es Unternehmen, eine einzige Kopie ihrer Daten zu verwalten und muss sie nicht an einen anderen Ort oder in ein anderes Cloud-Konto verschieben, um Modelle mit den Daten zu trainieren.
Eine weitere Herausforderung, die den Einsatz von maschinellem Lernen einschränken kann, ist der Datenschutz und regulatorische Einschränkungen. Die zum Trainieren von Modellen verwendeten Daten können sensible Informationen wie personenbezogene Daten (PII) oder personenbezogene Gesundheitsdaten (PHI) enthalten. Federated Learning ermöglicht es Unternehmen, Modelle zu trainieren, ohne ihre Daten teilen zu müssen, was dazu beitragen kann, diese Datenschutz- und Regulierungsbedenken auszuräumen.
Federated Learning wird bereits in mehreren Branchen eingesetzt, um die Leistungsfähigkeit größerer und vielfältiger Datensätze ohne gemeinsame Nutzung von Daten freizusetzen. Zum Beispiel im Jahr 2021 a COVID-Entscheidungsunterstützungsalgorithmus wurde mit Daten aus 20 Krankenhäusern auf der ganzen Welt unter Verwendung von föderiertem Lernen trainiert (vollständige Offenlegung: dieses Projekt wurde von unserem Mitbegründer und CEO geleitet) und im Jahr 2022 a Algorithmus zur Erkennung von Hirntumoren wurde mit Daten aus 71 Krankenhäusern auf der ganzen Welt trainiert. Google hat föderiertes Lernen dazu verwendet das nächste eingegebene Wort vorhersagen auf Google Android-Tastaturen seit 2018 (vollständige Offenlegung: Bevor ich mein Unternehmen mitbegründete, arbeitete ich bei Google und war an Projekten beteiligt, die föderiertes Lernen nutzten).
Zusammenfassend lässt sich sagen, dass föderiertes Lernen dazu beiträgt, eine Reihe von Hindernissen beim maschinellen Lernen zu überwinden, darunter die Notwendigkeit großer Datenmengen, die Kosten für Rechenressourcen und Datenspeicherung und -übertragung, die Herausforderung der Datenhomogenität sowie Datenschutz- und Regulierungsbedenken. Es ermöglicht Organisationen die Zusammenarbeit an Machine Learning-Projekten, ohne den Datenschutz zu opfern, die Demokratisierung der Nutzung von Machine Learning und den Zugriff auf große, vielfältige Trainingsdaten, was zu robusteren und leistungsfähigeren Modellen führt.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Über uns
- Zugang
- Konto
- Trading Konten
- über
- Alle
- erlaubt
- bereits
- Beträge
- und
- androide
- um
- Autonom
- autonome Fahrzeuge
- werden
- Bevor
- Sein
- Besser
- zwischen
- allgemein
- Krebs
- kann keine
- österreichische Unternehmen
- Fälle
- Centers
- Zentralisierung
- zentralisierte
- CEO
- challenges
- Cloud
- Co-Gründer
- zusammenarbeiten
- Unternehmen
- Berechnen
- betroffen
- Bedenken
- beitragen
- Kosten
- Einsparmaßnahmen
- Kosten
- Erstellen
- technische Daten
- Rechenzentren
- Datenschutz
- Datensätze
- Datenübertragung
- Datenspeichervorrichtung
- Datensätze
- DATENVERSITÄT
- Entscheidung
- Demokratisierung
- Einsatz
- Entdeckung
- Gerät
- anders
- Bekanntgabe
- verschieden
- Tut nicht
- Nicht
- Beispiel
- teuer
- für
- voller
- Allgemeines
- GPUs
- Hardware
- mit
- Gesundheit
- Gesundheitspflege
- Gesundheitsinformationen
- Hilfe
- hilfreich
- Unternehmen
- High
- Krankenhäuser
- Ultraschall
- HTTPS
- in
- Einschließlich
- Branchen
- Information
- beteiligt
- Problem
- IT
- grosse
- größer
- führen
- führenden
- lernen
- geführt
- LIMIT
- Limitiert
- Belastung
- Standorte
- Maschine
- Maschinelles Lernen
- Main
- halten
- Making
- viele
- Marge
- Mildern
- Mobil
- Mobilgerät
- Modell
- für
- mehr
- ziehen um
- mehrere
- Natur
- Need
- weiter
- Anzahl
- Hindernis
- Hindernisse
- ÖL
- Auftrag
- Organisationen
- Überwinden
- besonders
- Parteien
- Leistung
- persönliche
- Persönliche Gesundheit
- Persönlich
- pii
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bevölkerung
- Werkzeuge
- Datenschutz
- anpassen
- Verarbeitung
- Projekt
- Projekte
- Eigentums-
- Anbieter
- schnell
- Rechtliches
- Regulierungsbehörden
- vertreten
- erfordern
- Downloads
- robust
- opfern
- Ersparnisse
- empfindlich
- kompensieren
- Sets
- mehrere
- Teilen
- von Locals geführtes
- ,,teilen"
- signifikant
- da
- Single
- Umstände
- Größen
- langsam
- klein
- Quellen
- Lagerung
- so
- ZUSAMMENFASSUNG
- Support
- Das
- die Welt
- ihr
- zu
- Training
- trainiert
- Ausbildung
- privaten Transfer
- Übertragen
- Einheiten
- öffnen
- -
- Verwendung
- Fahrzeuge
- welche
- ohne
- Word
- gearbeitet
- arbeiten,
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- nachgiebig
- Zephyrnet