A aprendizagem federada é uma aprendizado de máquina técnica que permite que várias partes treinem um modelo sem compartilhar seus dados. Ele está sendo usado em vários setores, desde teclados de dispositivos móveis até assistência médica, veículos autônomos e plataformas de petróleo. É particularmente útil em situações em que o compartilhamento de dados é limitado por regulamentação, ou é confidencial ou proprietário, pois permite que as organizações colaborem em projetos de aprendizado de máquina sem sacrificar a privacidade dos dados. Também é útil em situações em que os tamanhos de dados são proibitivamente grandes, tornando a centralização de dados lenta e cara.
Um dos principais obstáculos no aprendizado de máquina é a necessidade de grandes quantidades de dados. Isso pode ser um desafio para organizações que não têm acesso a grandes conjuntos de dados ou para aquelas que trabalham com dados confidenciais que não podem ser compartilhados. O aprendizado federado permite que essas organizações contribuam para um modelo compartilhado sem precisar compartilhar seus dados.
O aprendizado federado também pode ajudar a superar o problema de homogeneidade de dados. Em muitos casos, os modelos são treinados em dados de um pequeno conjunto de fontes que não representam a população geral. Os modelos treinados em conjuntos de dados estreitos não generalizam bem e, portanto, apresentam baixo desempenho quando implantados de forma mais ampla. O aprendizado federado permite modelos de treinamento em um conjunto maior e mais diversificado de fontes de dados sem exigir que os dados de todas essas fontes de dados sejam centralizados, levando assim a modelos mais robustos com melhor desempenho.
Além disso, o custo dos recursos de computação em nuvem pode ser um obstáculo no aprendizado de máquina. Os modelos de aprendizado de máquina de treinamento podem ser computacionalmente intensivos, exigindo hardware caro, como unidades de processamento gráfico (GPUs). O uso de instâncias de nuvem para treinamento pode se tornar caro muito rapidamente. O aprendizado federado permite que as organizações compartilhem a carga de treinamento do modelo e usem recursos de computação subutilizados ou servidores que já possuem em seus data centers. Isso pode levar a uma economia significativa de custos em grandes processos de treinamento intensivos em computação.
Muitas organizações também estão preocupadas em criar cópias redundantes de grandes conjuntos de dados. Isso pode gerar altos custos de armazenamento, bem como custos para provedores de nuvem para transferir os dados entre datacenters locais e contas de nuvem ou entre diferentes contas de nuvem. O aprendizado federado permite que as organizações mantenham uma única cópia de seus dados e não exige movê-los para um local ou conta de nuvem diferente para treinar modelos com os dados.
Outro desafio que pode limitar o uso do aprendizado de máquina é a privacidade e restrições regulatórias. Os dados usados para treinar modelos podem conter informações confidenciais, como Informações Pessoais Identificáveis (PII) ou Informações Pessoais de Saúde (PHI). O aprendizado federado permite que as organizações treinem modelos sem precisar compartilhar seus dados, o que pode ajudar a mitigar essas preocupações regulatórias e de privacidade.
O aprendizado federado já está sendo usado em vários setores para liberar o poder de conjuntos de dados maiores e mais diversos sem compartilhamento de dados. Por exemplo, em 2021 um Algoritmo de suporte à decisão COVID foi treinado com dados de 20 hospitais em todo o mundo usando aprendizado federado (divulgação completa: este projeto foi liderado por nosso cofundador e CEO) e, em 2022, um algoritmo de detecção de margem de câncer cerebral foi treinado com dados de 71 hospitais em todo o mundo usando. O Google tem usado o aprendizado federado para prever a próxima palavra digitada nos teclados Google Android desde 2018 (divulgação completa: antes de cofundar minha empresa, trabalhei no Google e participei de projetos que utilizam aprendizado federado).
Em resumo, o aprendizado federado está ajudando a superar vários obstáculos no aprendizado de máquina, incluindo a necessidade de grandes quantidades de dados, o custo de recursos de computação e armazenamento e transferência de dados, o desafio da homogeneidade de dados e questões de privacidade e regulamentação. Ele permite que as organizações colaborem em projetos de aprendizado de máquina sem sacrificar a privacidade dos dados, democratizando o uso do aprendizado de máquina e o acesso a uma grande diversidade de dados de treinamento, gerando modelos mais robustos e de melhor desempenho.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
- Fonte: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- Sobre
- Acesso
- Conta
- Contas
- em
- Todos os Produtos
- permite
- já
- quantidades
- e
- andróide
- por aí
- Autônomo
- veículos autônomos
- tornam-se
- antes
- ser
- Melhor
- entre
- amplamente
- Câncer
- não podes
- Cuidado
- casos
- Centros
- Centralização
- centralizada
- Chefe executivo
- desafiar
- Na nuvem
- Co-fundador
- colaborar
- Empresa
- Computar
- preocupado
- Preocupações
- contribuir
- Custo
- economia de custos
- custos
- Criar
- dados,
- centros de dados
- privacidade de dados
- conjuntos de dados
- compartilhamento de dados
- armazenamento de dados
- conjuntos de dados
- DATAVERSIDADE
- decisão
- Democratizando
- implantado
- Detecção
- dispositivo
- diferente
- divulgação
- diferente
- Não faz
- não
- exemplo
- caro
- da
- cheio
- Geral
- GPUs
- Hardware
- ter
- Saúde
- Assistência médica
- informação de saúde
- ajudar
- útil
- ajuda
- Alta
- hospitais
- Como funciona o dobrador de carta de canal
- HTTPS
- in
- Incluindo
- indústrias
- INFORMAÇÕES
- envolvido
- emitem
- IT
- grande
- Maior
- conduzir
- principal
- aprendizagem
- levou
- LIMITE
- Limitado
- carregar
- localização
- máquina
- aprendizado de máquina
- a Principal
- a manter
- Fazendo
- muitos
- Margem
- Mitigar
- Móvel Esteira
- dispositivo móvel
- modelo
- modelos
- mais
- em movimento
- múltiplo
- Natureza
- você merece...
- Próximo
- número
- obstáculo
- obstáculos
- AZEITE E AZEITE EVO
- ordem
- organizações
- Superar
- particularmente
- partes
- atuação
- pessoal
- Saúde pessoal
- Pessoalmente
- Pii
- platão
- Inteligência de Dados Platão
- PlatãoData
- população
- poder
- política de privacidade
- processos
- em processamento
- projeto
- projetos
- proprietário
- fornecedores
- rapidamente
- Regulamento
- reguladores
- representar
- requerer
- Recursos
- uma conta de despesas robusta
- sacrificando
- Poupança
- sensível
- conjunto
- Conjuntos
- vários
- Partilhar
- compartilhado
- compartilhando
- periodo
- desde
- solteiro
- situações
- tamanhos
- lento
- pequeno
- Fontes
- armazenamento
- tal
- RESUMO
- ajuda
- A
- o mundo
- deles
- para
- Trem
- treinado
- Training
- transferência
- Transferir
- unidades
- destravar
- usar
- Utilizando
- Veículos
- qual
- sem
- Word
- trabalhou
- trabalhar
- mundo
- produzindo
- zefirnet