Federert læring er en maskinlæring teknikk som lar flere parter trene en modell uten å dele dataene sine. Den brukes på tvers av flere bransjer, fra mobile enhetstastaturer til helsevesen til autonome kjøretøy til oljerigger. Det er spesielt nyttig i situasjoner der datadeling er begrenset av regulering, eller er sensitiv eller proprietær, ettersom den lar organisasjoner samarbeide om maskinlæringsprosjekter uten å ofre personvernet. Det er også nyttig i situasjoner der datastørrelser er uoverkommelig store, noe som gjør datasentralisering treg og kostbar.
En av hovedhindringene i maskinlæring er behovet for store datamengder. Dette kan være en utfordring for organisasjoner som ikke har tilgang til store datasett, eller for de som jobber med sensitive data som ikke kan deles. Forent læring lar disse organisasjonene bidra til en delt modell uten å måtte dele dataene sine.
Federert læring kan også bidra til å overvinne problemet med datahomogenitet. I mange tilfeller trenes modeller på data fra et lite sett med kilder som ikke representerer den generelle befolkningen. Modeller som er trent på smale datasett, generaliserer ikke godt og gir derfor dårligere resultater når de distribueres bredere. Federert læring tillater treningsmodeller på et større og mer mangfoldig sett med datakilder uten at dataene fra alle disse datakildene må sentraliseres, og fører dermed til mer robuste modeller med bedre ytelse.
I tillegg kan kostnadene for cloud computing-ressurser være en hindring i maskinlæring. Opplæring av maskinlæringsmodeller kan være beregningsintensive, og krever dyr maskinvare som Graphical Processing Units (GPUer). Å bruke skyinstanser til trening kan bli dyrt veldig raskt. Federert læring lar organisasjoner dele belastningen med modellopplæring og bruke underutnyttede dataressurser eller servere som de allerede har i datasentrene sine. Dette kan føre til betydelige kostnadsbesparelser i store dataintensive opplæringsprosesser.
Mange organisasjoner er også bekymret for å lage overflødige kopier av store datasett. Dette kan øke høye lagringskostnader, så vel som kostnader for skyleverandører for overføring av data mellom lokale datasentre og skykontoer, eller mellom forskjellige skykontoer. Forent læring lar organisasjoner vedlikeholde en enkelt kopi av dataene sine og krever ikke flytting til en annen plassering eller skykonto for å trene modeller med dataene.
En annen utfordring som kan begrense bruken av maskinlæring er personvern og regulatoriske begrensninger. Dataene som brukes til å trene modeller kan inneholde sensitiv informasjon som personlig identifiserbar informasjon (PII) eller personlig helseinformasjon (PHI). Federert læring lar organisasjoner trene modeller uten å måtte dele dataene sine, noe som kan bidra til å dempe disse personvern- og regulatoriske bekymringene.
Federert læring brukes allerede på tvers av flere bransjer for å frigjøre kraften til større og mer varierte datasett uten datadeling. For eksempel, i 2021 a COVID beslutningsstøttealgoritme ble trent med data fra 20 sykehus rundt om i verden ved bruk av føderert læring (full avsløring: dette prosjektet ble ledet av vår medgründer og administrerende direktør), og i 2022 margindeteksjonsalgoritme for hjernekreft ble trent med data fra 71 sykehus rundt om i verden ved hjelp av. Google har brukt forent læring for å forutsi neste ord som skrives på Google Android-tastaturer siden 2018 (full avsløring: før jeg var med på å grunnlegge selskapet mitt, jobbet jeg hos Google og var involvert i prosjekter som brukte føderert læring).
Oppsummert hjelper føderert læring til å overvinne en rekke hindringer i maskinlæring, inkludert behovet for store datamengder, kostnadene for dataressurser og datalagring og overføring, utfordringen med datahomogenitet og personvern og regulatoriske bekymringer. Det lar organisasjoner samarbeide om maskinlæringsprosjekter uten å ofre datapersonvernet, demokratisere bruken av maskinlæring og tilgang til store varierte opplæringsdata, noe som gir mer robuste og bedre resultater.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Om oss
- adgang
- Logg inn
- kontoer
- tvers
- Alle
- tillater
- allerede
- beløp
- og
- android
- rundt
- autonom
- autonome kjøretøyer
- bli
- før du
- være
- Bedre
- mellom
- bredt
- Kreft
- kan ikke
- hvilken
- saker
- Sentre
- sentralisering
- sentralisert
- konsernsjef
- utfordre
- Cloud
- Med-grunnlegger
- samarbeide
- Selskapet
- Beregn
- bekymret
- bekymringer
- bidra
- Kostnad
- kostnadsbesparelser
- Kostnader
- Opprette
- dato
- datasentre
- personvern
- datasett
- datadeling
- datalagring
- datasett
- DATAVERSITET
- avgjørelse
- Demokratisering
- utplassert
- Gjenkjenning
- enhet
- forskjellig
- avsløring
- diverse
- ikke
- ikke
- eksempel
- dyrt
- fra
- fullt
- general
- GPU
- maskinvare
- å ha
- Helse
- Health Care
- helseinformasjon
- hjelpe
- nyttig
- hjelpe
- Høy
- sykehus
- Hvordan
- HTTPS
- in
- Inkludert
- bransjer
- informasjon
- involvert
- utstedelse
- IT
- stor
- større
- føre
- ledende
- læring
- Led
- BEGRENSE
- Begrenset
- laste
- plassering
- maskin
- maskinlæring
- Hoved
- vedlikeholde
- Making
- mange
- Margin
- Minske
- Mobil
- mobilenhet
- modell
- modeller
- mer
- flytting
- flere
- Natur
- Trenger
- neste
- Antall
- hindring
- hindringer
- Olje
- rekkefølge
- organisasjoner
- Overcome
- spesielt
- parter
- ytelse
- personlig
- Personlig helse
- personlig
- PII
- plato
- Platon Data Intelligence
- PlatonData
- befolkningen
- makt
- privatliv
- Prosesser
- prosessering
- prosjekt
- prosjekter
- proprietær
- tilbydere
- raskt
- Regulering
- regulatorer
- representere
- krever
- Ressurser
- robust
- ofre
- Besparelser
- sensitive
- sett
- sett
- flere
- Del
- delt
- deling
- signifikant
- siden
- enkelt
- situasjoner
- størrelser
- langsom
- liten
- Kilder
- lagring
- slik
- SAMMENDRAG
- støtte
- De
- verden
- deres
- til
- Tog
- trent
- Kurs
- overføre
- Overføre
- lomper
- låse opp
- bruke
- utnytte
- Kjøretøy
- hvilken
- uten
- ord
- arbeidet
- arbeid
- verden
- givende
- zephyrnet