Az egyesített tanulás a gépi tanulás technika, amely lehetővé teszi több fél számára, hogy egy modellt képezzenek ki adataik megosztása nélkül. Számos iparágban használják, a mobileszközök billentyűzetétől az egészségügyön át az autonóm járműveken át az olajfúrótornyokig. Különösen hasznos olyan helyzetekben, amikor az adatmegosztást szabályozás korlátozza, vagy érzékeny vagy védett, mivel lehetővé teszi a szervezetek számára, hogy az adatvédelem feláldozása nélkül együttműködjenek a gépi tanulási projektekben. Hasznos olyan helyzetekben is, amikor az adatméretek túlságosan nagyok, így az adatok központosítása lassú és költséges.
A gépi tanulás egyik fő akadálya a nagy mennyiségű adat igénye. Ez kihívást jelenthet azoknak a szervezeteknek, amelyek nem férnek hozzá nagy adatkészletekhez, vagy azok számára, amelyek nem megosztható érzékeny adatokkal dolgoznak. Az egyesített tanulás lehetővé teszi ezeknek a szervezeteknek, hogy adataik megosztása nélkül hozzájáruljanak egy megosztott modellhez.
Az egyesített tanulás segíthet az adatok homogenitásának problémájának leküzdésében is. Sok esetben a modelleket olyan kis forrásokból származó adatok alapján képezik ki, amelyek nem reprezentálják az általános sokaságot. A szűk adathalmazokra kiképzett modellek nem általánosíthatók jól, és ezért alulteljesítenek, ha szélesebb körben alkalmazzák őket. Az egyesített tanulás lehetővé teszi az adatforrások nagyobb és változatosabb halmazán történő képzési modelleket anélkül, hogy az összes adatforrásból származó adatokat központosítani kellene, így robusztusabb, jobb teljesítményű modellek születnek.
Ezenkívül a felhőalapú számítási erőforrások költsége akadályt jelenthet a gépi tanulásban. A gépi tanulási modellek képzése számításigényes lehet, és drága hardvert, például grafikus feldolgozó egységeket (GPU-kat) igényel. A felhőpéldányok képzési használata nagyon gyorsan megdrágulhat. Az egyesített tanulás lehetővé teszi a szervezetek számára, hogy megosszák a modellképzés terheit, és kihasználhassák az adatközpontjaikban már meglévő számítási erőforrásokat vagy szervereket. Ez jelentős költségmegtakarításhoz vezethet a nagy számításigényes képzési folyamatokban.
Sok szervezet aggódik a nagy adatkészletek redundáns másolatainak létrehozása miatt is. Ez magas tárolási költségeket eredményezhet, valamint a felhőszolgáltatók költségeit az on-prem adatközpontok és a felhőalapú fiókok, illetve a különböző felhőalapú fiókok közötti adatátvitel miatt. Az egyesített tanulás lehetővé teszi a szervezetek számára, hogy egyetlen másolatot karbantartsanak adataikból, és nem szükséges áthelyezni azokat egy másik helyre vagy felhőfiókba ahhoz, hogy modelleket taníthassanak az adatokkal.
Egy másik kihívás, amely korlátozhatja a gépi tanulás használatát, az adatvédelem és szabályozási korlátok. A modellek betanításához használt adatok érzékeny információkat tartalmazhatnak, például személyazonosításra alkalmas információkat (PII) vagy személyes egészségügyi információkat (PHI). Az egyesített tanulás lehetővé teszi a szervezetek számára, hogy modelleket képezzenek anélkül, hogy meg kellene osztaniuk adataikat, ami segíthet enyhíteni ezeket az adatvédelmi és szabályozási aggályokat.
Az egyesített tanulást már számos iparágban alkalmazzák annak érdekében, hogy az adatok megosztása nélkül felszabadítsák a nagyobb és változatosabb adatkészletek erejét. Például 2021-ben a COVID döntéstámogató algoritmus a világ 20 kórházából származó adatokkal képezték ki szövetségi tanulás segítségével (teljes nyilvánosságra hozatal: ezt a projektet társalapítónk és vezérigazgatónk vezette), és 2022-ben egy agyrák margin kimutatási algoritmus segítségével képezték ki a világ 71 kórházának adatait. A Google egyesített tanulást használt megjósolni a következő beírt szót 2018 óta a Google Android billentyűzeteken (teljes nyilvánosságra hozatal: a cégem társalapítása előtt a Google-nál dolgoztam, és részt vettem az egyesített tanulást hasznosító projektekben).
Összefoglalva, az egyesített tanulás segít leküzdeni számos akadályt a gépi tanulásban, ideértve a nagy mennyiségű adat iránti igényt, a számítási erőforrások, valamint az adattárolás és -átvitel költségeit, az adatok homogenitásának kihívását, valamint a magánélet védelmét és a szabályozási aggályokat. Lehetővé teszi a szervezetek számára, hogy a gépi tanulási projektekben együttműködjenek anélkül, hogy feláldoznák az adatvédelmet, a gépi tanulás használatának demokratizálását és a sokféle képzési adatokhoz való hozzáférést, robusztusabb és jobban teljesítő modelleket eredményezve.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Rólunk
- hozzáférés
- Fiók
- Fiókok
- át
- Minden termék
- lehetővé teszi, hogy
- már
- Összegek
- és a
- android
- körül
- autonóm
- autonóm járművek
- válik
- előtt
- hogy
- Jobb
- között
- nagyjából
- Rák
- nem tud
- ami
- esetek
- Centers
- Központosítás
- központosított
- vezérigazgató
- kihívás
- felhő
- Társalapító
- együttműködik
- vállalat
- Kiszámít
- az érintett
- aggodalmak
- contribuer
- Költség
- költségmegtakarítás
- kiadások
- létrehozása
- dátum
- adatközpontok
- Adatvédelem
- adatkészletek
- adatmegosztás
- adattárolás
- adatkészletek
- ADATVERZITÁS
- döntés
- demokratizálásának
- telepített
- Érzékelés
- eszköz
- különböző
- közzététel
- számos
- Nem
- ne
- példa
- drága
- ból ből
- Tele
- általános
- GPU
- hardver
- tekintettel
- Egészség
- Egészségügyi ellátás
- egészségügyi információ
- segít
- hasznos
- segít
- Magas
- kórházak
- Hogyan
- HTTPS
- in
- Beleértve
- iparágak
- információ
- részt
- kérdés
- IT
- nagy
- nagyobb
- vezet
- vezető
- tanulás
- Led
- LIMIT
- Korlátozott
- kiszámításának
- elhelyezkedés
- gép
- gépi tanulás
- Fő
- fenntartása
- Gyártás
- sok
- Margó
- Enyhít
- Mobil
- mobil eszköz
- modell
- modellek
- több
- mozgó
- többszörös
- Természet
- Szükség
- következő
- szám
- akadály
- akadályok
- Olaj
- érdekében
- szervezetek
- Overcome
- különösen
- fél
- teljesítmény
- személyes
- Személyes egészség
- Személyesen
- PII
- Plató
- Platón adatintelligencia
- PlatoData
- népesség
- hatalom
- magánélet
- Folyamatok
- feldolgozás
- program
- projektek
- szabadalmazott
- szolgáltatók
- gyorsan
- Szabályozás
- szabályozók
- képvisel
- szükség
- Tudástár
- erős
- feláldozása
- Megtakarítás
- érzékeny
- készlet
- Szettek
- számos
- Megosztás
- megosztott
- megosztás
- jelentős
- óta
- egyetlen
- helyzetek
- méretek
- lassú
- kicsi
- Források
- tárolás
- ilyen
- ÖSSZEFOGLALÓ
- támogatás
- A
- a világ
- azok
- nak nek
- Vonat
- kiképzett
- Képzések
- átruházás
- Átadó
- egységek
- kinyit
- használ
- kihasználva
- Járművek
- ami
- nélkül
- szó
- dolgozott
- dolgozó
- világ
- így
- zephyrnet