Kujifunza kwa Shirikisho
Mafunzo yaliyoshirikishwa hufunza muundo ulioshirikiwa kwenye vifaa au mashirika mengi bila kukusanya data zao ghafi katika sehemu moja.
Muhtasari
Only model updates travel to the server, so the sensitive data stays where it lives.
Dive ya kina
Katika mafunzo ya kawaida, data zote huwekwa kwenye seva kuu. Mafunzo yaliyoshirikishwa hubadilisha hili: muundo wa kimataifa unatumwa kwa washiriki (simu, hospitali, benki), kila mmoja anatoa mafunzo ndani ya nchi kwa kutumia data yake, na mabadiliko yanayotokana na uzito pekee ndiyo yanarudishwa. Seva hukadiria masasisho haya kuwa muundo bora wa kimataifa na kurudia. Google ilianzisha wazo la Gboard, kuboresha ubashiri wa kibodi kutoka kwa mamilioni ya simu bila kupakia kile ambacho watu walicharaza. Mbinu hiyo huangaza ambapo data ni ya faragha, iliyodhibitiwa, au kubwa mno kuhamishwa, kama vile rekodi za afya zinazosambazwa katika hospitali zote. Changamoto ni pamoja na vifaa visivyotegemewa, data ambayo hutofautiana kwa kiasi kikubwa kati ya washiriki (data isiyo ya IID), na ukweli kwamba masasisho ghafi bado yanaweza kuvuja taarifa, ndiyo maana inaunganishwa na mbinu za faragha.
Ufahamu wa Kiufundi
Kanuni ya kawaida ni Wastani wa Shirikisho (FedAvg): kila mteja huendesha hatua kadhaa za asili za kushuka kwa daraja, kisha seva huchukua wastani wa uzani wa uzani mpya, kwa kawaida hupimwa kwa kiasi cha data ambayo kila mteja anayo. Kwa sababu wateja hufanya mazoezi kwa hatua nyingi kabla ya kusawazisha, mizunguko ya mawasiliano hupungua sana dhidi ya kutuma kila kipenyo. Ili kukomesha masasisho kutokana na kuvuja kwa data, mifumo iliyoshirikishwa huongeza ujumlisho salama, ambao huruhusu seva kuona jumla iliyounganishwa tu, na faragha tofauti, ambayo huleta kelele iliyorekebishwa.
Athari za kimkakati
Cost and budget
Maamuzi ya usanifu huendesha utendaji na gharama ya uendeshaji kwa miaka.
Maamuzi ya wazi zaidi
Elimu ya kiufundi husaidia timu kuchagua safu sahihi, sio tu mpya zaidi.
Quality control
Chaguo bora za uhandisi hupunguza matukio ya kuaminika katika uzalishaji.
Mustakabali wa Mafunzo ya Shirikisho
Masomo yaliyoshirikishwa yanasonga kutoka kwa kibodi kuelekea matumizi ya mashirika mtambuka katika huduma za afya, fedha, na IoT, ambapo kanuni kama vile HIPAA na GDPR hufanya kuunganisha data kuwa ngumu. Tarajia muunganisho mkali zaidi na utofautishaji wa faragha na ujumlisho salama, pamoja na mifumo kama vile TensorFlow Federated, Flower, na NVIDIA FLARE inayokomaa kwa uzalishaji. Mipaka inayokua inashirikishwa urekebishaji mzuri wa miundo mikubwa ya lugha, kuruhusu mashirika kwa pamoja kuboresha muundo wa maandishi ya siri. Ushughulikiaji bora wa washiriki waliosambazwa kwa usawa na wasioaminika unasalia kuwa msukumo muhimu wa utafiti.
Utekelezaji wa Ulimwengu Halisi
Google Gboard inaboresha ubashiri wa neno linalofuata na emoji kwenye simu bila kupakia mibogo ya vitufe.
Hospitali kwa pamoja hufunza miundo ya uchunguzi wa uchunguzi bila kushiriki rekodi za wagonjwa zinazolindwa.
Benki zinazoshirikiana katika miundo ya kugundua ulaghai huku zikifanya miamala ya kila taasisi kuwa ya faragha.
Apple inabinafsisha vipengele vya kifaa kama vile mapendekezo ya QuickType na Siri kwa kutumia mafunzo ya ndani.
Hatari & Walinzi
Kuboresha kiwango kimoja kunaweza kuficha udhaifu mkubwa wa mfumo.
Gharama za miundombinu na matengenezo mara nyingi hupunguzwa.
Mapengo ya usalama na uonekanaji yanaweza kukua kadiri mifumo inavyozidi kuwa ngumu.
Ramani ya Utekelezaji
Bainisha muda, ubora na malengo ya gharama kabla ya utekelezaji.
Benchmark chini ya mzigo halisi na hali ya data.
Ufuatiliaji wa ala kwa makosa, kuteleza, na athari za mtumiaji.
Tayarisha njia za urejeshaji na majibu ya matukio kabla ya kuongeza ukubwa.
Endelea Kuchunguza
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
Mwongozo unaofuata
CI/CD ya Kujifunza kwa Mashine
Maswali yanayoulizwa mara kwa mara
What is Federated Learning?
Mafunzo yaliyoshirikishwa hufunza muundo ulioshirikiwa kwenye vifaa au mashirika mengi bila kukusanya data zao ghafi katika sehemu moja. Masasisho ya muundo pekee ndio husafiri hadi kwa seva, kwa hivyo data nyeti hubaki inapoishi.
Wazo la msingi la kujifunza kwa shirikisho ni lipi?
Kujifunza kwa Shirikisho huweka data mbichi ndani; kila mshiriki anatoa mafunzo kwa data yake mwenyewe na kutuma masasisho ya modeli pekee ambayo seva inachanganya.
Je! Algorithm ya Wastani wa Shirikisho (FedAvg) hufanya nini kwenye seva?
FedAvg inachanganya uzani wa wateja waliofunzwa ndani ya nchi kuwa muundo mmoja ulioboreshwa wa kimataifa, kwa kawaida hupima kila mteja kulingana na data iliyotumia.
Ni bidhaa gani maarufu ilitumia ujifunzaji wa shirikisho kuboresha utabiri?
Google ilitumia mafunzo yaliyoshirikishwa katika Gboard kuboresha ubashiri wa maandishi kutoka kwa mamilioni ya simu bila kukusanya walichoandika watumiaji.
Kwa nini ujifunzaji wa shirikisho unavutia kwa data ya huduma ya afya?
Data ya afya ni ya faragha na imedhibitiwa, kwa hivyo kuiweka karibu nawe wakati bado unaunda muundo unaoshirikiwa inafaa sheria kama HIPAA bora zaidi kuliko kuiunganisha.
Kwa nini sasisho za modeli pekee sio za kibinafsi kiotomatiki?
Gradients na mabadiliko ya uzito yanaweza kufichua maelezo kuhusu mifano ya mafunzo, ndiyo maana ujumlishaji salama na ufaragha tofauti huongezwa.