El aprendizaje federado es un máquina de aprendizaje técnica que permite que varias partes entrenen un modelo sin compartir sus datos. Se está utilizando en varias industrias, desde teclados de dispositivos móviles hasta atención médica, vehículos autónomos y plataformas petroleras. Es particularmente útil en situaciones en las que el intercambio de datos está limitado por la regulación, o es confidencial o patentado, ya que permite a las organizaciones colaborar en proyectos de aprendizaje automático sin sacrificar la privacidad de los datos. También es útil en situaciones en las que el tamaño de los datos es prohibitivamente grande, lo que hace que la centralización de datos sea lenta y costosa.
Uno de los principales obstáculos en el aprendizaje automático es la necesidad de grandes cantidades de datos. Esto puede ser un desafío para las organizaciones que no tienen acceso a grandes conjuntos de datos o para aquellas que trabajan con datos confidenciales que no se pueden compartir. El aprendizaje federado permite que estas organizaciones contribuyan a un modelo compartido sin tener que compartir sus datos.
El aprendizaje federado también puede ayudar a superar el problema de la homogeneidad de los datos. En muchos casos, los modelos se entrenan con datos de un pequeño conjunto de fuentes que no representan a la población general. Los modelos entrenados en conjuntos de datos estrechos no se generalizan bien y, por lo tanto, tienen un rendimiento inferior cuando se implementan de manera más amplia. El aprendizaje federado permite entrenar modelos en un conjunto de fuentes de datos más amplio y diverso sin necesidad de que los datos de todas estas fuentes de datos estén centralizados, lo que conduce a modelos más sólidos con un mejor rendimiento.
Además, el costo de los recursos informáticos en la nube puede ser un obstáculo en el aprendizaje automático. El entrenamiento de modelos de aprendizaje automático puede ser computacionalmente intensivo y requiere hardware costoso como unidades de procesamiento gráfico (GPU). El uso de instancias en la nube para la capacitación puede volverse costoso muy rápidamente. El aprendizaje federado permite a las organizaciones compartir la carga de entrenamiento de modelos y utilizar servidores o recursos informáticos infrautilizados que ya tienen en sus centros de datos. Esto puede conducir a un ahorro significativo de costos en grandes procesos de capacitación con uso intensivo de cómputo.
Muchas organizaciones también están preocupadas por la creación de copias redundantes de grandes conjuntos de datos. Esto puede generar altos costos de almacenamiento, así como costos para los proveedores de la nube por transferir los datos entre los centros de datos locales y las cuentas en la nube, o entre diferentes cuentas en la nube. El aprendizaje federado permite a las organizaciones mantener una copia única de sus datos y no requiere moverlos a una ubicación o cuenta en la nube diferente para entrenar modelos con los datos.
Otro desafío que puede limitar el uso del aprendizaje automático es la privacidad y restricciones regulatorias. Los datos utilizados para entrenar modelos pueden contener información confidencial, como información de identificación personal (PII) o información de salud personal (PHI). El aprendizaje federado permite a las organizaciones entrenar modelos sin tener que compartir sus datos, lo que puede ayudar a mitigar estas preocupaciones regulatorias y de privacidad.
El aprendizaje federado ya se está utilizando en varias industrias para desbloquear el poder de conjuntos de datos más grandes y diversos sin compartir datos. Por ejemplo, en 2021 un Algoritmo de soporte de decisiones COVID fue capacitado con datos de 20 hospitales de todo el mundo utilizando el aprendizaje federado (divulgación completa: este proyecto fue dirigido por nuestro cofundador y director ejecutivo), y en 2022 un algoritmo de detección de margen de cáncer cerebral fue entrenado con datos de 71 hospitales de todo el mundo utilizando. Google ha estado utilizando el aprendizaje federado para predecir la siguiente palabra escrita en los teclados de Google Android desde 2018 (divulgación completa: antes de cofundar mi empresa, trabajé en Google y participé en proyectos que utilizaban el aprendizaje federado).
En resumen, el aprendizaje federado está ayudando a superar una serie de obstáculos en el aprendizaje automático, incluida la necesidad de grandes cantidades de datos, el costo de los recursos informáticos y el almacenamiento y la transferencia de datos, el desafío de la homogeneidad de los datos y las preocupaciones normativas y de privacidad. Permite a las organizaciones colaborar en proyectos de aprendizaje automático sin sacrificar la privacidad de los datos, democratizando el uso del aprendizaje automático y el acceso a datos de capacitación grandes y diversos, lo que genera modelos más sólidos y de mejor rendimiento.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Nuestra Empresa
- de la máquina
- Mi Cuenta
- Cuentas
- a través de
- Todos
- permite
- ya haya utilizado
- cantidades
- y
- android
- en torno a
- autónomo
- vehículos autónomos
- a las que has recomendado
- antes
- "Ser"
- mejores
- entre
- en general
- Cáncer
- no puede
- servicios sociales
- cases
- Centros
- Centralización
- centralizado
- ceo
- Reto
- Soluciones
- Co-founder
- colaboran
- compañía
- Calcular
- preocupado
- Inquietudes
- contribuir
- Cost
- ahorro de costes
- Precio
- Creamos
- datos
- los centros de datos
- privacidad de datos
- conjuntos de datos
- compartir datos
- almacenamiento de datos
- conjuntos de datos
- VERSIDAD DE DATOS
- Koops
- Democratizando
- desplegado
- Detección
- dispositivo
- una experiencia diferente
- revelación
- diverso
- No
- No
- ejemplo
- costoso
- en
- ser completados
- General
- GPU
- Materiales
- es
- Salud
- Atención médica
- información de salud
- ayuda
- serviciales
- ayudando
- Alta
- hospitales
- Cómo
- HTTPS
- in
- Incluye
- industrias
- información
- involucra
- IT
- large
- mayores
- Lead
- líder
- aprendizaje
- LED
- LIMITE LAS
- Limitada
- carga
- Ubicación
- máquina
- máquina de aprendizaje
- Inicio
- mantener
- Realizar
- muchos
- Margen
- Mitigar las
- Móvil
- dispositivo móvil
- modelo
- modelos
- más,
- emocionante
- múltiples
- Naturaleza
- ¿ Necesita ayuda
- Next
- número
- obstáculo
- obstáculos
- Aceite
- solicite
- para las fiestas.
- Superar
- particularmente
- partes
- actuación
- con
- Salud personal
- Personalmente
- pii
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- población
- industria
- política de privacidad
- en costes
- tratamiento
- proyecto
- proyecta
- propietario
- los proveedores
- con rapidez
- Regulación
- regulador
- representar
- exigir
- Recursos
- robusto
- sacrificando
- Ahorros
- sensible
- set
- Sets
- Varios
- Compartir
- compartido
- compartir
- importante
- desde
- soltero
- circunstancias
- tamaños
- lento
- chica
- Fuentes
- STORAGE
- tal
- RESUMEN
- SOPORTE
- El
- el mundo
- su
- a
- Entrenar
- entrenado
- Formación
- transferir
- Transferencia
- unidades que
- desbloquear
- utilizan el
- Utilizando
- Vehículos
- que
- sin
- Palabra
- trabajado
- trabajando
- mundo
- flexible
- zephyrnet