Pembelajaran federasi adalah a Mesin belajar teknik yang memungkinkan banyak pihak untuk melatih model tanpa membagikan data mereka. Ini digunakan di beberapa industri, mulai dari keyboard perangkat seluler hingga perawatan kesehatan hingga kendaraan otonom hingga rig minyak. Ini sangat berguna dalam situasi di mana berbagi data dibatasi oleh peraturan, atau bersifat sensitif atau hak milik, karena memungkinkan organisasi untuk berkolaborasi dalam proyek pembelajaran mesin tanpa mengorbankan privasi data. Ini juga membantu dalam situasi di mana ukuran data sangat besar, membuat sentralisasi data menjadi lambat dan mahal.
Salah satu kendala utama dalam pembelajaran mesin adalah kebutuhan data dalam jumlah besar. Ini bisa menjadi tantangan bagi organisasi yang tidak memiliki akses ke kumpulan data besar, atau bagi mereka yang bekerja dengan data sensitif yang tidak dapat dibagikan. Pembelajaran federasi memungkinkan organisasi ini untuk berkontribusi pada model bersama tanpa harus membagikan data mereka.
Pembelajaran federasi juga dapat membantu mengatasi masalah homogenitas data. Dalam banyak kasus, model dilatih berdasarkan data dari sekumpulan kecil sumber yang tidak mewakili populasi umum. Model yang dilatih pada kumpulan data yang sempit tidak dapat digeneralisasi dengan baik dan karenanya berperforma buruk saat diterapkan secara lebih luas. Pembelajaran federasi memungkinkan model pelatihan pada kumpulan sumber data yang lebih besar dan lebih beragam tanpa memerlukan data dari semua sumber data ini untuk dipusatkan, sehingga menghasilkan model yang lebih kuat dengan kinerja yang lebih baik.
Selain itu, biaya sumber daya komputasi awan dapat menjadi kendala dalam pembelajaran mesin. Model pembelajaran mesin pelatihan dapat menjadi intensif secara komputasi, membutuhkan perangkat keras yang mahal seperti Unit Pemrosesan Grafis (GPU). Menggunakan instans cloud untuk pelatihan dapat menjadi mahal dengan sangat cepat. Pembelajaran federasi memungkinkan organisasi berbagi muatan pelatihan model dan menggunakan sumber daya komputasi atau server yang kurang dimanfaatkan yang sudah mereka miliki di pusat data mereka. Hal ini dapat menghasilkan penghematan biaya yang signifikan dalam proses pelatihan intensif komputasi yang besar.
Banyak organisasi juga khawatir tentang membuat salinan yang berlebihan dari kumpulan data besar. Ini dapat menghabiskan biaya penyimpanan yang tinggi, serta biaya untuk penyedia cloud untuk mentransfer data antara pusat data lokal dan akun cloud, atau antara akun cloud yang berbeda. Pembelajaran federasi memungkinkan organisasi mempertahankan satu salinan data mereka dan tidak perlu memindahkannya ke lokasi lain atau akun cloud untuk melatih model dengan data tersebut.
Tantangan lain yang dapat membatasi penggunaan pembelajaran mesin adalah privasi dan kendala regulasi. Data yang digunakan untuk melatih model mungkin berisi informasi sensitif seperti Personally Identifiable Information (PII) atau Personal Health Information (PHI). Pembelajaran federasi memungkinkan organisasi untuk melatih model tanpa harus membagikan data mereka, yang dapat membantu mengurangi masalah privasi dan peraturan ini.
Pembelajaran federasi sudah digunakan di beberapa industri untuk membuka kekuatan kumpulan data yang lebih besar dan lebih beragam tanpa berbagi data. Misalnya pada tahun 2021 a Algoritma pendukung keputusan COVID dilatih dengan data dari 20 rumah sakit di seluruh dunia menggunakan pembelajaran federasi (pengungkapan penuh: proyek ini dipimpin oleh salah satu pendiri dan CEO kami), dan pada tahun 2022 a algoritma deteksi margin kanker otak dilatih dengan data dari 71 rumah sakit di seluruh dunia menggunakan. Google telah menggunakan pembelajaran federasi untuk memprediksi kata berikutnya yang diketik di keyboard Google Android sejak 2018 (pengungkapan penuh: sebelum ikut mendirikan perusahaan saya, saya bekerja di Google dan terlibat dalam proyek yang menggunakan pembelajaran federasi).
Singkatnya, federated learning membantu mengatasi sejumlah hambatan dalam machine learning, termasuk kebutuhan data dalam jumlah besar, biaya sumber daya komputasi serta penyimpanan dan transfer data, tantangan homogenitas data, serta masalah privasi dan peraturan. Hal ini memungkinkan organisasi untuk berkolaborasi dalam proyek pembelajaran mesin tanpa mengorbankan privasi data, mendemokratisasi penggunaan pembelajaran mesin dan akses ke data pelatihan yang beragam, menghasilkan model yang lebih kuat dan berkinerja lebih baik.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Tentang Kami
- mengakses
- Akun
- Akun
- di seluruh
- Semua
- memungkinkan
- sudah
- jumlah
- dan
- android
- sekitar
- otonom
- kendaraan otonom
- menjadi
- sebelum
- makhluk
- Lebih baik
- antara
- secara luas
- Kanker
- tidak bisa
- yang
- kasus
- Pusat
- Sentralisasi
- terpusat
- ceo
- menantang
- awan
- Co-founder
- Berkolaborasi
- perusahaan
- menghitung
- prihatin
- Kekhawatiran
- menyumbang
- Biaya
- penghematan biaya
- Biaya
- membuat
- data
- Pusat Data
- privasi data
- set data
- berbagi data
- penyimpanan data
- kumpulan data
- DATAVERSITAS
- keputusan
- Demokratisasi
- dikerahkan
- Deteksi
- alat
- berbeda
- penyingkapan
- beberapa
- Tidak
- Dont
- contoh
- mahal
- dari
- penuh
- Umum
- GPU
- Perangkat keras
- memiliki
- Kesehatan
- Perawatan Kesehatan
- Informasi kesehatan
- membantu
- bermanfaat
- membantu
- High
- rumah sakit
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTTPS
- in
- Termasuk
- industri
- informasi
- terlibat
- isu
- IT
- besar
- lebih besar
- memimpin
- terkemuka
- pengetahuan
- Dipimpin
- MEMBATASI
- Terbatas
- memuat
- tempat
- mesin
- Mesin belajar
- Utama
- memelihara
- Membuat
- banyak
- Margin
- Mengurangi
- mobil
- perangkat mobile
- model
- model
- lebih
- bergerak
- beberapa
- Alam
- Perlu
- berikutnya
- jumlah
- hambatan
- hambatan
- Minyak
- urutan
- organisasi
- Mengatasi
- khususnya
- pihak
- prestasi
- pribadi
- Kesehatan Pribadi
- Sendiri
- saleh
- plato
- Kecerdasan Data Plato
- Data Plato
- populasi
- kekuasaan
- pribadi
- proses
- pengolahan
- proyek
- memprojeksikan
- hak milik
- penyedia
- segera
- Regulasi
- regulator
- mewakili
- membutuhkan
- Sumber
- kuat
- berkorban
- Tabungan
- peka
- set
- set
- beberapa
- Share
- berbagi
- berbagi
- penting
- sejak
- tunggal
- situasi
- ukuran
- lambat
- kecil
- sumber
- penyimpanan
- seperti itu
- RINGKASAN
- mendukung
- Grafik
- Dunia
- mereka
- untuk
- Pelatihan VE
- terlatih
- Pelatihan
- transfer
- Mentransfer
- unit
- membuka kunci
- menggunakan
- Memanfaatkan
- Kendaraan
- yang
- tanpa
- Word
- bekerja
- kerja
- dunia
- penurut
- zephyrnet.dll