Federacyjne uczenie się to a uczenie maszynowe technika, która pozwala wielu stronom trenować model bez udostępniania swoich danych. Jest używany w kilku branżach, od klawiatur urządzeń mobilnych, przez opiekę zdrowotną, po pojazdy autonomiczne i platformy wiertnicze. Jest to szczególnie przydatne w sytuacjach, w których udostępnianie danych jest ograniczone przepisami, wrażliwymi lub zastrzeżonymi, ponieważ umożliwia organizacjom współpracę nad projektami uczenia maszynowego bez poświęcania prywatności danych. Jest to również przydatne w sytuacjach, gdy rozmiary danych są zbyt duże, co powoduje, że centralizacja danych jest powolna i kosztowna.
Jedną z głównych przeszkód w uczeniu maszynowym jest potrzeba posiadania dużych ilości danych. Może to stanowić wyzwanie dla organizacji, które nie mają dostępu do dużych zbiorów danych lub dla tych, które pracują z wrażliwymi danymi, których nie można udostępniać. Sfederowane uczenie się umożliwia tym organizacjom wniesienie wkładu we wspólny model bez konieczności udostępniania swoich danych.
Federacyjne uczenie się może również pomóc w przezwyciężeniu problemu jednorodności danych. W wielu przypadkach modele są szkolone na danych z niewielkiego zestawu źródeł, które nie reprezentują populacji ogólnej. Modele przeszkolone na wąskich zestawach danych nie generalizują dobrze, a zatem osiągają niższą wydajność, gdy są wdrażane szerzej. Federacyjne uczenie się umożliwia trenowanie modeli na większym i bardziej zróżnicowanym zestawie źródeł danych bez konieczności scentralizowania danych ze wszystkich tych źródeł, co prowadzi do bardziej niezawodnych modeli o lepszej wydajności.
Ponadto koszt zasobów obliczeniowych w chmurze może stanowić przeszkodę w uczeniu maszynowym. Trenowanie modeli uczenia maszynowego może wymagać dużej mocy obliczeniowej i wymagać drogiego sprzętu, takiego jak procesory graficzne (GPU). Używanie instancji w chmurze do szkolenia może bardzo szybko stać się kosztowne. Federacyjne uczenie się umożliwia organizacjom dzielenie obciążenia związanego ze szkoleniem modeli i korzystanie z niewykorzystanych zasobów obliczeniowych lub serwerów, które już znajdują się w ich centrach danych. Może to prowadzić do znacznych oszczędności kosztów w dużych procesach szkoleniowych intensywnie korzystających z mocy obliczeniowej.
Wiele organizacji obawia się również tworzenia nadmiarowych kopii dużych zbiorów danych. Może to generować wysokie koszty przechowywania, a także koszty dla dostawców chmury związane z przesyłaniem danych między lokalnymi centrami danych a kontami w chmurze lub między różnymi kontami w chmurze. Federacyjne uczenie się umożliwia organizacjom utrzymywanie jednej kopii swoich danych i nie wymaga przenoszenia ich do innej lokalizacji lub konta w chmurze w celu trenowania modeli z danymi.
Kolejnym wyzwaniem, które może ograniczać wykorzystanie uczenia maszynowego, jest prywatność i ograniczenia regulacyjne. Dane używane do trenowania modeli mogą zawierać poufne informacje, takie jak dane osobowe (PII) lub informacje o stanie zdrowia (PHI). Federacyjne uczenie się umożliwia organizacjom trenowanie modeli bez konieczności udostępniania swoich danych, co może pomóc złagodzić te obawy dotyczące prywatności i przepisów.
Federacyjne uczenie się jest już wykorzystywane w kilku branżach w celu uwolnienia mocy większych i bardziej zróżnicowanych zbiorów danych bez udostępniania danych. Na przykład w 2021 r Algorytm wspomagania decyzji COVID został przeszkolony na danych z 20 szpitali na całym świecie przy użyciu uczenia federacyjnego (pełne ujawnienie: ten projekt był prowadzony przez naszego współzałożyciela i dyrektora generalnego), a w 2022 r. algorytm wykrywania marginesu raka mózgu został przeszkolony z wykorzystaniem danych z 71 szpitali na całym świecie. Google używa nauki federacyjnej do przewidzieć następne wpisane słowo na klawiaturach Google Android od 2018 roku (pełne ujawnienie: przed współzałożeniem firmy pracowałem w Google i byłem zaangażowany w projekty wykorzystujące federated learning).
Podsumowując, federacyjne uczenie się pomaga przezwyciężyć szereg przeszkód w uczeniu maszynowym, w tym zapotrzebowanie na duże ilości danych, koszt zasobów obliczeniowych oraz przechowywanie i przesyłanie danych, wyzwanie związane z jednorodnością danych oraz kwestie związane z prywatnością i przepisami. Pozwala organizacjom współpracować nad projektami uczenia maszynowego bez poświęcania prywatności danych, demokratyzując korzystanie z uczenia maszynowego i dostęp do dużych, zróżnicowanych danych szkoleniowych, uzyskując bardziej niezawodne i wydajniejsze modele.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- O nas
- dostęp
- Konto
- Konta
- w poprzek
- Wszystkie kategorie
- pozwala
- już
- kwoty
- i
- android
- na około
- autonomiczny
- pojazdy autonomiczne
- stają się
- zanim
- jest
- Ulepsz Swój
- pomiędzy
- szeroko
- Rak
- nie może
- który
- Etui
- Centra
- Centralizacja
- scentralizowane
- ceo
- wyzwanie
- Chmura
- Współzałożyciel
- współpracować
- sukcesy firma
- obliczać
- zaniepokojony
- Obawy
- przyczynić się
- Koszty:
- oszczędności
- Koszty:
- Tworzenie
- dane
- centra danych
- prywatność danych
- zestawy danych
- udostępnianie danych
- przechowywanie danych
- zbiory danych
- WSZECHSTRONNOŚĆ DANYCH
- decyzja
- Demokratyzować
- wdrażane
- Wykrywanie
- urządzenie
- różne
- ujawnienie
- inny
- Nie
- nie
- przykład
- drogi
- od
- pełny
- Ogólne
- GPU
- sprzęt komputerowy
- mający
- Zdrowie
- Opieka zdrowotna
- informacje o zdrowiu
- pomoc
- pomocny
- pomoc
- Wysoki
- szpitale
- W jaki sposób
- HTTPS
- in
- Włącznie z
- przemysłowa
- Informacja
- zaangażowany
- problem
- IT
- duży
- większe
- prowadzić
- prowadzący
- nauka
- Doprowadziło
- LIMIT
- Ograniczony
- załadować
- lokalizacja
- maszyna
- uczenie maszynowe
- Główny
- utrzymać
- Dokonywanie
- wiele
- Margines
- Złagodzić
- Aplikacje mobilne
- urządzenie przenośne
- model
- modele
- jeszcze
- przeniesienie
- wielokrotność
- Natura
- Potrzebować
- Następny
- numer
- przeszkoda
- Przeszkody
- Olej
- zamówienie
- organizacji
- Przezwyciężać
- szczególnie
- strony
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- osobisty
- Zdrowie osobiste
- Osobiście
- pii
- plato
- Analiza danych Platona
- PlatoDane
- populacja
- power
- prywatność
- procesów
- przetwarzanie
- projekt
- projektowanie
- własność
- dostawców
- szybko
- Regulacja
- regulacyjne
- reprezentować
- wymagać
- Zasoby
- krzepki
- poświęcanie
- Oszczędności
- wrażliwy
- zestaw
- Zestawy
- kilka
- Share
- shared
- dzielenie
- znaczący
- ponieważ
- pojedynczy
- sytuacje
- rozmiary
- powolny
- mały
- Źródła
- przechowywanie
- taki
- PODSUMOWANIE
- wsparcie
- Połączenia
- świat
- ich
- do
- Pociąg
- przeszkolony
- Trening
- przenieść
- Przesyłanie
- jednostek
- odblokować
- posługiwać się
- Wykorzystując
- Pojazdy
- który
- bez
- słowo
- pracował
- pracujący
- świat
- wydajność
- zefirnet