التعلم الموحد
يقوم التعلم الموحد بتدريب نموذج مشترك عبر العديد من الأجهزة أو المؤسسات دون جمع بياناتها الأولية في مكان واحد.
نظرة عامة
Only model updates travel to the server, so the sensitive data stays where it lives.
الغوص العميق
في التدريب العادي، يتم تجميع كافة البيانات على خوادم مركزية. يقلب التعلم الموحد هذا: يتم إرسال نموذج عالمي إلى المشاركين (الهواتف والمستشفيات والبنوك)، ويتدرب كل منهم محليًا على بياناته الخاصة، ولا يتم إرسال سوى تغييرات الوزن الناتجة. يقوم الخادم بمتوسط هذه التحديثات إلى نموذج عالمي محسّن ويكررها. قدمت Google فكرة Gboard، لتحسين تنبؤات لوحة المفاتيح من ملايين الهواتف دون تحميل ما يكتبه الأشخاص. ويبرز هذا النهج عندما تكون البيانات خاصة أو منظمة أو كبيرة جدًا بحيث لا يمكن نقلها، مثل سجلات الرعاية الصحية المنتشرة عبر المستشفيات. تشمل التحديات الأجهزة غير الموثوقة، والبيانات التي تختلف بشكل حاد بين المشاركين (بيانات غير IID)، وحقيقة أن التحديثات الأولية لا تزال قادرة على تسريب المعلومات، ولهذا السبب يتم إقرانها بتقنيات الخصوصية.
البصيرة الفنية
الخوارزمية الكلاسيكية هي المتوسط الموحد (FedAvg): يقوم كل عميل بتشغيل عدة خطوات محلية متدرجة، ثم يأخذ الخادم متوسطًا مرجحًا للأوزان الجديدة، وعادة ما يتم ترجيحه بمقدار البيانات الموجودة لدى كل عميل. نظرًا لأن العملاء يتدربون على خطوات متعددة قبل المزامنة، تنخفض جولات الاتصال بشكل حاد مقابل إرسال كل تدرج. لمنع تسرب التحديثات من البيانات، تضيف الأنظمة الموحدة تجميعًا آمنًا، والذي يسمح للخادم برؤية المجموع المجمع فقط، والخصوصية التفاضلية، التي تضخ ضوضاء معايرة.
التأثير الاستراتيجي
التكلفة والميزانية
تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
قرارات أوضح
يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
مراقبة الجودة
تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
مستقبل التعلم الموحد
ينتقل التعلم الموحد من لوحات المفاتيح إلى الاستخدام عبر المؤسسات في الرعاية الصحية والتمويل وإنترنت الأشياء، حيث تجعل اللوائح مثل HIPAA وGDPR تجميع البيانات أمرًا صعبًا. توقع تكاملًا أكثر إحكامًا مع الخصوصية التفاضلية والتجميع الآمن، بالإضافة إلى أطر عمل مثل TensorFlow Federated وFlower وNVIDIA FLARE التي أصبحت جاهزة للإنتاج. تتمثل الحدود المتنامية في الضبط الدقيق لنماذج اللغات الكبيرة، مما يسمح للمؤسسات بشكل مشترك بتحسين نموذج على النص السري. ويظل التعامل بشكل أفضل مع المشاركين الموزعين بشكل غير متساو وغير الموثوق بهم هو الدفعة البحثية الرئيسية.
التنفيذ في العالم الحقيقي
Google تعمل لوحة المفاتيح Gboard على تحسين تنبؤات الكلمات التالية والرموز التعبيرية عبر الهواتف دون تحميل ضغطات المفاتيح.
تقوم المستشفيات بشكل مشترك بتدريب نماذج التصوير التشخيصي دون مشاركة سجلات المرضى المحمية.
تتعاون البنوك في نماذج الكشف عن الاحتيال مع الحفاظ على خصوصية معاملات كل مؤسسة.
تقوم Apple بتخصيص الميزات الموجودة على الجهاز مثل اقتراحات QuickType وSiri باستخدام التعلم المحلي.
المخاطر والدرابزين
يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
خارطة طريق التنفيذ
تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
المعيار في ظل ظروف التحميل والبيانات الواقعية.
مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Federated Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
CI/CD للتعلم الآلي
الأسئلة المتداولة
What is Federated Learning?
يقوم التعلم الموحد بتدريب نموذج مشترك عبر العديد من الأجهزة أو المؤسسات دون جمع بياناتها الأولية في مكان واحد. تنتقل تحديثات النموذج فقط إلى الخادم، وبالتالي تظل البيانات الحساسة في مكانها.
ما هي الفكرة الأساسية للتعلم الموحد؟
التعلم الموحد يحافظ على البيانات الأولية محليًا؛ يتدرب كل مشارك على بياناته الخاصة ويرسل فقط تحديثات النموذج التي يجمعها الخادم.
ماذا تفعل خوارزمية المتوسط الموحد (FedAvg) على الخادم؟
تجمع FedAvg بين أوزان العملاء المدربة محليًا في نموذج عالمي واحد محسّن، وعادةً ما يتم وزن كل عميل حسب كمية البيانات التي يستخدمها.
ما المنتج الذي اشتهر باستخدام التعلم الموحد لتحسين التنبؤات؟
استخدم Google التعلم الموحد في Gboard لتحسين التنبؤات النصية من ملايين الهواتف دون جمع ما كتبه المستخدمون.
لماذا يعد التعلم الموحد جذابًا لبيانات الرعاية الصحية؟
البيانات الصحية خاصة ومنظمة، لذا فإن الاحتفاظ بها محليًا مع الاستمرار في بناء نموذج مشترك يناسب قوانين مثل HIPAA بشكل أفضل بكثير من تجميعها.
لماذا لا تكون تحديثات النماذج وحدها خاصة بشكل كامل تلقائيًا؟
يمكن أن تكشف التدرجات وتغييرات الوزن تفاصيل حول أمثلة التدريب، ولهذا السبب تتم إضافة التجميع الآمن والخصوصية التفاضلية.