Federated learning on a koneoppiminen tekniikka, jonka avulla useat osapuolet voivat kouluttaa mallia jakamatta tietojaan. Sitä käytetään useilla teollisuudenaloilla mobiililaitteiden näppäimistöistä terveydenhuoltoon autonomisiin ajoneuvoihin ja öljynporauslautoihin. Se on erityisen hyödyllinen tilanteissa, joissa tietojen jakamista rajoittaa sääntely tai se on arkaluonteista tai omistusoikeudellista, koska sen avulla organisaatiot voivat tehdä yhteistyötä koneoppimisprojekteissa tinkimättä tietojen yksityisyydestä. Se on hyödyllinen myös tilanteissa, joissa tietokoot ovat kohtuuttoman suuria, mikä tekee tietojen keskittämisestä hidasta ja kallista.
Yksi koneoppimisen suurimmista esteistä on suurten tietomäärien tarve. Tämä voi olla haaste organisaatioille, joilla ei ole pääsyä suuriin tietokokonaisuuksiin, tai niille, jotka työskentelevät arkaluontoisten tietojen kanssa, joita ei voida jakaa. Federated learning mahdollistaa näiden organisaatioiden osallistumisen yhteiseen malliin ilman, että heidän tarvitsee jakaa tietojaan.
Federated learning voi myös auttaa ratkaisemaan tiedon homogeenisuusongelman. Monissa tapauksissa mallit opetetaan tiedoilla, jotka ovat peräisin pienistä lähteistä, jotka eivät edusta yleistä väestöä. Kapeille tietojoukoille koulutetut mallit eivät yleisty hyvin, joten ne eivät toimi paremmin, kun niitä käytetään laajemmin. Federated learning mahdollistaa koulutusmallien laajemmalla ja monipuolisemmalla tietolähteiden joukolla ilman, että kaikkien näiden tietolähteiden dataa on keskitettävä, mikä johtaa vankempiin malleihin, joissa on parempi suorituskyky.
Lisäksi pilvilaskentaresurssien hinta voi olla este koneoppimisessa. Koneoppimismallien koulutus voi olla laskennallisesti intensiivistä ja vaatii kalliita laitteita, kuten graafisia prosessointiyksiköitä (GPU). Pilvi-instanssien käyttäminen koulutukseen voi tulla kalliiksi hyvin nopeasti. Federated learning antaa organisaatioille mahdollisuuden jakaa mallikoulutuksen kuormituksen ja käyttää vajaakäytössä olevia laskentaresursseja tai palvelimia, joita heillä on jo palvelinkeskuksissaan. Tämä voi johtaa merkittäviin kustannussäästöihin suurissa tietokoneintensiivisissä koulutusprosesseissa.
Monet organisaatiot ovat myös huolissaan ylimääräisten kopioiden luomisesta suurista tietokokonaisuuksista. Tämä voi nostaa korkeita tallennuskustannuksia sekä kustannuksia pilvipalveluntarjoajille tiedon siirtämisestä on-prem-palvelinkeskusten ja pilvipalvelutilien välillä tai eri pilvipalvelutilien välillä. Federated learning antaa organisaatioille mahdollisuuden ylläpitää yhtä kopiota tiedoistaan, eikä niitä tarvitse siirtää toiseen paikkaan tai pilvitilille voidakseen kouluttaa malleja tiedoilla.
Toinen koneoppimisen käyttöä rajoittava haaste on yksityisyys ja sääntelyn rajoituksia. Mallien kouluttamiseen käytetyt tiedot voivat sisältää arkaluonteisia tietoja, kuten henkilökohtaisia tunnistetietoja (PII) tai henkilökohtaisia terveystietoja (PHI). Federated learning antaa organisaatioille mahdollisuuden kouluttaa malleja ilman, että heidän tarvitsee jakaa tietojaan, mikä voi auttaa lieventämään näitä tietosuoja- ja sääntelyongelmia.
Yhdistettyä oppimista käytetään jo useilla toimialoilla, jotta voidaan vapauttaa suurempien ja monipuolisempien tietojoukkojen teho ilman tietojen jakamista. Esimerkiksi vuonna 2021 a COVID-päätöksen tukialgoritmi koulutettiin 20 sairaalan tiedoilla eri puolilla maailmaa käyttämällä yhdistettyä oppimista (täydellinen paljastaminen: tätä projektia johti perustajamme ja toimitusjohtajamme), ja vuonna 2022 aivosyövän marginaalin havaitsemisalgoritmi koulutettiin 71 sairaalan tiedoilla ympäri maailmaa käyttäen. Google on käyttänyt yhdistettyä oppimista ennustaa seuraavan kirjoitetun sanan Google Android -näppäimistöillä vuodesta 2018 (täysi tiedotus: ennen yritykseni perustamista työskentelin Googlella ja osallistuin liittokoulutusta hyödyntäviin projekteihin).
Yhteenvetona voidaan todeta, että yhdistetty oppiminen auttaa voittamaan useita koneoppimisen esteitä, mukaan lukien suurten tietomäärien tarve, laskentaresurssien ja tietojen tallennuksen ja siirron kustannukset, tiedon homogeenisuuden haaste sekä yksityisyyteen ja sääntelyyn liittyvät huolenaiheet. Sen avulla organisaatiot voivat tehdä yhteistyötä koneoppimisprojekteissa tinkimättä tietojen yksityisyydestä, demokratisoimalla koneoppimisen käyttöä ja pääsyä laajaan ja monipuoliseen koulutusdataan, mikä tuottaa kestävämpiä ja tehokkaampia malleja.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Meistä
- pääsy
- Tili
- Tilit
- poikki
- Kaikki
- mahdollistaa
- jo
- määrät
- ja
- android
- noin
- autonominen
- autonomiset ajoneuvot
- tulevat
- ennen
- ovat
- Paremmin
- välillä
- laajasti
- Syöpä
- ei voi
- joka
- tapauksissa
- keskuksissa
- Keskittäminen
- keskitetty
- toimitusjohtaja
- haaste
- pilvi
- Perustaja
- tehdä yhteistyötä
- yritys
- Laskea
- huolestunut
- huolenaiheet
- edistävät
- Hinta
- kustannussäästöjä
- kustannukset
- Luominen
- tiedot
- datakeskukset
- Tietosuoja
- tietueita
- tietojen jakaminen
- tietovarasto
- aineistot
- DATAVERSITEETTI
- päätös
- Democratizing
- käyttöön
- Detection
- laite
- eri
- ilmitulo
- useat
- ei
- Dont
- esimerkki
- kallis
- alkaen
- koko
- general
- GPU
- Tarvikkeet
- ottaa
- terveys
- Terveydenhuolto
- terveystiedot
- auttaa
- hyödyllinen
- auttaa
- Korkea
- sairaalat
- Miten
- HTTPS
- in
- Mukaan lukien
- teollisuuden
- tiedot
- osallistuva
- kysymys
- IT
- suuri
- suurempi
- johtaa
- johtava
- oppiminen
- Led
- RAJOITA
- rajallinen
- kuormitus
- sijainti
- kone
- koneoppiminen
- tärkein
- ylläpitää
- Tekeminen
- monet
- Marginaali
- lieventää
- Puhelinnumero
- mobiililaitteen
- malli
- mallit
- lisää
- liikkuvat
- moninkertainen
- luonto
- Tarve
- seuraava
- numero
- este
- esteitä
- Öljy
- tilata
- organisaatioiden
- Voittaa
- erityisesti
- osapuolet
- suorituskyky
- henkilöstö
- Henkilökohtainen terveys
- Henkilökohtaisesti
- pii
- Platon
- Platonin tietotieto
- PlatonData
- väestö
- teho
- yksityisyys
- Prosessit
- käsittely
- projekti
- hankkeet
- patentoitu
- tarjoajat
- nopeasti
- Asetus
- sääntelyn
- edustaa
- edellyttää
- Esittelymateriaalit
- luja
- uhraa
- Säästöt
- sensible
- setti
- Setit
- useat
- Jaa:
- yhteinen
- jakaminen
- merkittävä
- koska
- single
- tilanteita
- koot
- hidas
- pieni
- Lähteet
- Levytila
- niin
- YHTEENVETO
- tuki
- -
- maailma
- heidän
- että
- Juna
- koulutettu
- koulutus
- siirtää
- Siirtäminen
- yksiköt
- avata
- käyttää
- Hyödyntämällä
- Ajoneuvot
- joka
- ilman
- sana
- työskenteli
- työskentely
- maailman-
- tuottaen
- zephyrnet