L'apprendimento federato è a machine learning tecnica che consente a più parti di addestrare un modello senza condividere i propri dati. Viene utilizzato in diversi settori, dalle tastiere dei dispositivi mobili all'assistenza sanitaria, dai veicoli autonomi alle piattaforme petrolifere. È particolarmente utile in situazioni in cui la condivisione dei dati è limitata dalla normativa o è sensibile o proprietaria, in quanto consente alle organizzazioni di collaborare a progetti di machine learning senza sacrificare la privacy dei dati. È anche utile in situazioni in cui le dimensioni dei dati sono proibitive, rendendo la centralizzazione dei dati lenta e costosa.
Uno dei principali ostacoli nel machine learning è la necessità di grandi quantità di dati. Questa può essere una sfida per le organizzazioni che non hanno accesso a set di dati di grandi dimensioni o per quelle che lavorano con dati sensibili che non possono essere condivisi. L'apprendimento federato consente a queste organizzazioni di contribuire a un modello condiviso senza dover condividere i propri dati.
L'apprendimento federato può anche aiutare a superare il problema dell'omogeneità dei dati. In molti casi, i modelli vengono addestrati sui dati provenienti da un piccolo insieme di fonti che non rappresentano la popolazione generale. I modelli addestrati su set di dati ristretti non si generalizzano bene e quindi hanno prestazioni inferiori se distribuiti in modo più ampio. L'apprendimento federato consente di addestrare modelli su un set di origini dati più ampio e diversificato senza richiedere la centralizzazione dei dati di tutte queste origini dati, portando così a modelli più robusti con prestazioni migliori.
Inoltre, il costo delle risorse di cloud computing può rappresentare un ostacolo nel machine learning. L'addestramento dei modelli di machine learning può essere computazionalmente intensivo e richiedere hardware costoso come le unità di elaborazione grafica (GPU). L'utilizzo delle istanze cloud per l'addestramento può diventare costoso molto rapidamente. L'apprendimento federato consente alle organizzazioni di condividere il carico di addestramento del modello e utilizzare risorse di elaborazione o server sottoutilizzati che già dispongono nei propri data center. Ciò può portare a un notevole risparmio sui costi nei grandi processi di formazione ad alta intensità di calcolo.
Molte organizzazioni sono anche preoccupate per la creazione di copie ridondanti di set di dati di grandi dimensioni. Ciò può comportare elevati costi di archiviazione, nonché costi per i fornitori di servizi cloud per il trasferimento dei dati tra data center on-premise e account cloud o tra diversi account cloud. L'apprendimento federato consente alle organizzazioni di mantenere una singola copia dei propri dati e non richiede di spostarla in una posizione o in un account cloud diverso per addestrare i modelli con i dati.
Un'altra sfida che può limitare l'uso dell'apprendimento automatico è la privacy e vincoli normativi. I dati utilizzati per addestrare i modelli possono contenere informazioni riservate come informazioni di identificazione personale (PII) o informazioni sanitarie personali (PHI). L'apprendimento federato consente alle organizzazioni di addestrare i modelli senza dover condividere i propri dati, il che può aiutare a mitigare questi problemi di privacy e normativi.
L'apprendimento federato è già utilizzato in diversi settori per sbloccare la potenza di set di dati più grandi e diversificati senza condivisione dei dati. Ad esempio, nel 2021 a Algoritmo di supporto alle decisioni COVID è stato addestrato con i dati di 20 ospedali di tutto il mondo utilizzando l'apprendimento federato (completa divulgazione: questo progetto è stato guidato dal nostro co-fondatore e CEO), e nel 2022 un Algoritmo di rilevamento del margine del cancro al cervello è stato addestrato con i dati provenienti da 71 ospedali di tutto il mondo utilizzando. Google ha utilizzato l'apprendimento federato per prevedere la parola successiva digitata sulle tastiere Google Android dal 2018 (divulgazione completa: prima di co-fondare la mia azienda, ho lavorato presso Google e sono stato coinvolto in progetti che utilizzano l'apprendimento federato).
In sintesi, l'apprendimento federato sta aiutando a superare una serie di ostacoli nell'apprendimento automatico, tra cui la necessità di grandi quantità di dati, il costo delle risorse di elaborazione e l'archiviazione e il trasferimento dei dati, la sfida dell'omogeneità dei dati e le preoccupazioni in materia di privacy e normative. Consente alle organizzazioni di collaborare a progetti di apprendimento automatico senza sacrificare la privacy dei dati, democratizzando l'uso dell'apprendimento automatico e l'accesso a dati di addestramento di grandi dimensioni e diversificati, producendo modelli più solidi e con prestazioni migliori.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Chi siamo
- accesso
- Il mio account
- conti
- operanti in
- Tutti
- consente
- già
- importi
- ed
- androide
- in giro
- autonomo
- veicoli autonomi
- diventare
- prima
- essendo
- Meglio
- fra
- in linea di massima
- Cancro
- non può
- che
- casi
- centri
- Centralizzazione
- centralizzata
- ceo
- Challenge
- Cloud
- Co-fondatore
- collaboreranno
- azienda
- Calcolare
- interessato
- preoccupazioni
- contribuire
- Costo
- risparmi
- Costi
- Creazione
- dati
- data center
- privacy dei dati
- set di dati
- condivisione dei dati
- memorizzazione dei dati
- dataset
- VERSITÀ DEI DATI
- decisione
- democratizzare
- schierato
- rivelazione
- dispositivo
- diverso
- Rivelazione
- paesaggio differenziato
- non
- Dont
- esempio
- costoso
- da
- pieno
- Generale
- GPU
- Hardware
- avendo
- Salute e benessere
- Assistenza sanitaria
- informazioni sulla salute
- Aiuto
- utile
- aiutare
- Alta
- ospedali
- Come
- HTTPS
- in
- Compreso
- industrie
- informazioni
- coinvolto
- problema
- IT
- grandi
- superiore, se assunto singolarmente.
- portare
- principale
- apprendimento
- Guidato
- LIMITE
- Limitato
- caricare
- località
- macchina
- machine learning
- Principale
- mantenere
- Fare
- molti
- Margine
- Ridurre la perdita dienergia con una
- Mobile
- dispositivo mobile
- modello
- modelli
- Scopri di più
- in movimento
- multiplo
- Natura
- Bisogno
- GENERAZIONE
- numero
- ostacolo
- ostacoli
- Olio
- minimo
- organizzazioni
- Superare
- particolarmente
- parti
- performance
- cronologia
- Salute personale
- Personalmente
- pii
- Platone
- Platone Data Intelligence
- PlatoneDati
- popolazione
- energia
- Privacy
- i processi
- lavorazione
- progetto
- progetti
- proprio
- fornitori
- rapidamente
- Regolamento
- normativo
- rappresentare
- richiedere
- Risorse
- robusto
- sacrificando
- Risparmio
- delicata
- set
- Set
- alcuni
- Condividi
- condiviso
- compartecipazione
- significativa
- da
- singolo
- situazioni
- Dimensioni
- rallentare
- piccole
- fonti
- conservazione
- tale
- SOMMARIO
- supporto
- I
- il mondo
- loro
- a
- Treni
- allenato
- Training
- trasferimento
- Trasferimento
- unità
- sbloccare
- uso
- Utilizzando
- Veicoli
- quale
- senza
- Word
- lavorato
- lavoro
- mondo
- cedevole
- zefiro