Nu deskundigen kijken naar de toekomstige ontwikkelingen die de wereld ten goede kunnen komen, leggen zij de nadruk op dataprivacy. Aangezien kunstmatige intelligentie het vermogen ontwikkelt om gedragspatronen na te bootsen, zullen we binnenkort in staat zijn om gegevens zoals medische echografie over de hele wereld over te dragen. Dit zal machine-learning algoritmen helpen de ervaring van mensen te verbeteren, en nieuwe taken en technieken te leren door middel van datasets. Kunstmatige intelligentie genereert betere resultaten met meer gegevens.
Om privacyredenen kunnen we medische echografie, zoals MRI’s van de hersenen, nog steeds niet delen. We bewaren nog steeds alle documenten van de patiënt binnen het ziekenhuis, maar delen geen gegevens om privacyredenen. Federated learning is kunstmatige intelligentie van de volgende generatie met betere ideeën over gegevensprivacy. We bouwen een model dat we kunnen vertrouwen om de gegevens achter te houden

Wat is gefedereerd leren?

Federated learning helpt bij het trainen van het machine learning-algoritme en houdt gegevens bij op apparaatniveau. Dit betekent dat FL elk apparaat in staat stelt zijn eigen privé- en lokale gegevens te bewaren. Deze technologie zorgt voor wijdverspreide oplossingen voor machine learning en voor flexibele en beheerde gegevens in realtime.
U kunt de techniek voor tal van taken en contexten gebruiken. Het omvat offline en online leerprocedures voor de algoritmen. Afhankelijk van de operationele context en het gegevenstype zal het algoritme een geschikte techniek kiezen. De traditionele methode, zoals gecentraliseerd machinaal leren, omvatte deze voordelen niet en hield grote risico’s in voor de gegevensbescherming en de overdracht van grote bestanden.

Voordelen van gefedereerd leren

Hieronder vindt u enkele voordelen van de integratie van federated machine learning in de toekomst:

1. Een gecentraliseerde server

Met behulp van federated learning leren mobiele telefoons van het voorspellende model en bewaren ze de trainingsgegevens in plaats van ze naar de centrale server te uploaden en op te slaan.

2. Voordelen voor de veiligheid

Wanneer je persoonlijke gegevens lokaal zijn en op je persoonlijke server blijven staan, hoef je je geen zorgen meer te maken over de beveiliging. Met federatief leren blijven alle gegevens die nodig zijn om het model te trainen onder strikte beveiliging. Organisaties zoals ziekenhuizen, met een hoge dataprivacy, kunnen bijvoorbeeld vertrouwen op federated learning.

3. Real-time voorspellingen

FL biedt real-time voorspellingen op uw apparaat omdat de datasets beschikbaar zijn zonder dat er een centrale server nodig is. Dit vermindert de tijdvertraging, en u kunt toegang krijgen tot de gegevens zonder verbinding te maken met de centrale server. U kunt gegevens rechtstreeks verzenden en ontvangen via de lokale server.

4. Geen internet nodig

Aangezien de gegevens op uw apparaat staan, is voor de voorspellende kwaliteiten van het model geen internetverbinding nodig. Dit betekent dat u in een mum van tijd oplossingen kunt vinden, ondanks uw locatie.

5. Minimaal benodigde hardware

Een federatief leermodel vereist geen uitgebreide hardware-infrastructuur omdat al uw gegevens beschikbaar zijn op uw mobiele apparaten. Met FL-modellen hebt u dus gemakkelijk toegang tot gegevens vanaf één enkel apparaat.

Categorieën van gefedereerd leren

– Horizontaal gefedereerd leren

Horizontaal gefedereerd leren en homogeen gefedereerd leren kunnen technische en praktische uitdagingen aanpakken door gegevens in verschillende divisies op te splitsen. Het proces werkt door vergelijkbare datasets in een vergelijkbare ruimte te brengen. Het algoritme vergelijkt kenmerken en koppelt dienovereenkomstig.

– Verticaal gefedereerd leren

Bij verticaal gefedereerd leren delen verschillende datasets vergelijkbare monster-ID’s maar verschillende feature-ruimten. Stel dat er twee verschillende bedrijven in een stad zijn. Het ene is een e-commerce bedrijf, en het andere is een bank. De gebruikerssets zullen de mensen bevatten die in het gebied wonen om grote gebruikersruimte te omvatten, maar verschillend afhankelijk van de taken en activiteiten. De datasets zullen zich dus in verschillende ruimtes bevinden.

Gefedereerd leren vs. Klassiek gedistribueerd leren

1. Heterogeniteit van systemen

De mogelijkheden van de apparaten kunnen variëren afhankelijk van het netwerk
connectiviteit, hardware en vermogen. Bovendien zullen de systeemgerelateerde beperkingen en de netwerkgrootte slechts resulteren in kleine aantallen apparaten. Elk apparaat is onbetrouwbaar en valt vaak uit bij een bepaalde iteratie.

2. Dure communicatie

Als talrijke apparaten verbinding maken in Federated netwerken, kan het netwerk trager worden. Dit kan de communicatie beïnvloeden. Bovendien kan de communicatie duurder zijn dan bij traditionele methoden. Om het federatieve leerproces te stroomlijnen, is het essentieel om een efficiënte communicatiestructuur te ontwikkelen. Om het model te trainen, moet je kleine berichten sturen in plaats van de hele dataset door het netwerk te delen.

3. Privacy

Als we kijken naar de privacymaatregelen van federated learning-toepassingen, hebben traditionele methoden meer veiligheid. Het grootste nadeel van federated learning is dat het gradiëntinformatie bevat in plaats van ruwe data. Door updates tijdens het opleidingsproces door te geven, kan worden nagegaan of de centrale servers en de servers van derden de gevoelige informatie niet gebruiken.
Met behulp van een nieuwe aanpak kunt u hulpmiddelen zoals differentiële privacy of meerpartijenberekening gebruiken als veilige opties. Met behulp van deze hulpmiddelen kunt u de privacy verbeteren door de efficiëntie van het systeem de prestaties van het model te verminderen.

Conclusie

De uitdagingen in federatief leren zijn vergelijkbaar met klassieke problemen, zoals grootschalig machinaal leren, privacy, gedistribueerde optimalisatie. Deskundigen suggereren talrijke oplossingen om communicatieproblemen aan te pakken in de optimalisatie-, machine-leer-, en signaalverwerkingsgemeenschappen. Het is niet mogelijk om problemen aan te pakken met behulp van eerdere methoden.
Aangezien privacy steeds essentiëler wordt voor diverse toepassingen van machinaal leren, kunnen toekomstige problemen een uitdaging vormen vanwege afwijkende gegevens. Bovendien kan dit moeilijk zijn door de invoering van beperkingen op elk apparaat in de uitgestrekte netwerken.
Volgens onderzoekers kan federatief leren of samenwerkend leren de volgende golf van kunstmatige intelligentie zijn. Tal van sectoren kunnen profiteren van gefedereerde kunstmatige intelligentie, zoals de gezondheidssector, industrieën en e-commerce, om de gegevens veilig te stellen na het uitvoeren van trainingsmodellen voor de distributie.