À medida que os peritos olham para os avanços futuros que podem beneficiar o mundo, estão a enfatizar a privacidade dos dados. Como a inteligência artificial está a desenvolver a capacidade de imitar padrões de comportamento, em breve seremos capazes de transferir dados tais como imagens de ultra-sons médicos em todo o mundo. Isto ajudará os algoritmos de aprendizagem mecânica a melhorar a experiência das pessoas, bem como a aprender novas tarefas e técnicas através de conjuntos de dados. A inteligência artificial gera melhores resultados com mais dados.
Devido a questões de privacidade, ainda não podemos partilhar imagens médicas de ultra-sons, tais como a ressonância magnética cerebral. Ainda guardamos todos os documentos do paciente dentro das instalações do hospital, mas não partilhamos quaisquer dados por razões de privacidade. A aprendizagem federada é inteligência artificial de próxima geração com melhores ideias de privacidade de dados. Estamos a construir um modelo em que podemos confiar para reter os dados

O que é a Aprendizagem Federada?

A aprendizagem federada ajuda na formação do algoritmo de aprendizagem da máquina e mantém os dados ao nível do dispositivo. Isto significa que o FL permite que cada dispositivo possua os seus próprios dados privados e locais. Esta tecnologia fornecerá soluções de aprendizagem de máquinas generalizadas, bem como dados flexíveis e geridos em tempo real.
A técnica pode ser utilizada para numerosas tarefas e contextos. Inclui procedimentos de aprendizagem offline e online para os algoritmos. Dependendo do contexto operacional e do tipo de dados, o algoritmo irá escolher uma técnica adequada. O método tradicional, como a aprendizagem centralizada da máquina, não incluía estes benefícios e compreende um risco elevado para a protecção de dados e transferência de grandes ficheiros.

Vantagens da Aprendizagem Federada

Abaixo, encontrará alguns benefícios de integrar a aprendizagem de máquinas federadas no futuro:

1. Um Servidor Centralizado

Com a ajuda da aprendizagem federada, os telemóveis aprendem com o modelo preditivo e mantêm os dados de formação em vez de os carregarem e armazenarem no servidor central.

2. Benefícios para a segurança

Quando os seus dados pessoais são locais e permanecem no seu servidor pessoal, já não tem de se preocupar com a segurança. Com aprendizagem federada, todos os dados necessários para treinar o modelo permanecerão sob estrita segurança. Por exemplo, organizações como os hospitais, com elevada privacidade de dados, podem confiar na aprendizagem federada.

3. Previsões em tempo real

FL oferece previsões em tempo real no seu dispositivo porque os conjuntos de dados estão disponíveis sem a necessidade de um servidor central. Isto reduz o tempo de espera, e pode aceder aos dados sem se ligar ao servidor central. Pode transmitir e receber dados directamente através do servidor local.

4. Não necessita de Internet

Como os dados existem no seu dispositivo, as qualidades preditivas do modelo não requerem qualquer ligação à Internet. Isto significa que pode encontrar soluções em pouco tempo, apesar da sua localização.

5. Hardware Mínimo Requerido

Um modelo de aprendizagem federada não requer uma infra-estrutura de hardware extensa, porque todos os seus dados estão disponíveis nos seus dispositivos móveis. Assim, com modelos FL, pode aceder facilmente aos dados a partir de um único dispositivo.

Categorias de Aprendizagem Federada

– Aprendizagem Federada Horizontal

A aprendizagem federada horizontal e a aprendizagem federada homogénea podem lidar com desafios técnicos e práticos através da divisão dos dados em várias divisões. O processo funciona através da introdução de conjuntos de dados semelhantes em espaços comparáveis. O algoritmo compara características e ligações em conformidade.

– Aprendizagem Vertical Federada

Na aprendizagem federada vertical, os diferentes conjuntos de dados partilham identificações de amostras semelhantes, mas espaços de características diferentes. Suponhamos que duas empresas diferentes se encontram numa cidade. Uma é uma empresa de comércio electrónico, e a outra é um banco. Os conjuntos de utilizadores irão conter as pessoas que vivem na área para incluir um grande espaço de utilizador, mas diferente dependendo das tarefas e actividades. Assim, os conjuntos de dados estarão em espaços diferentes.

Aprendizagem Federada vs. Aprendizagem Distribuída Clássica

1. Heterogeneidade dos sistemas

As capacidades dos dispositivos podem variar em função da rede
conectividade, hardware, e potência. Além disso, o constrangimento relacionado com o sistema e o tamanho da rede apenas resultará num pequeno número de dispositivos. Cada dispositivo não é fiável e normalmente cai a uma determinada iteração.

2. Comunicação dispendiosa

Como numerosos dispositivos se ligam em redes federadas, a rede pode ser mais lenta. Isto pode afectar a comunicação. Além disso, a comunicação pode ser mais dispendiosa do que nos métodos tradicionais. Para racionalizar o processo de aprendizagem federada, é essencial desenvolver uma estrutura de comunicação eficiente. Para treinar o modelo, é necessário enviar pequenas mensagens em vez de partilhar todo o conjunto de dados através da rede.

3. Preocupações de privacidade

Quando consideramos as medidas de privacidade das aplicações de aprendizagem federada, os métodos tradicionais têm mais segurança. A principal desvantagem da aprendizagem federada é que inclui informação de gradiente em vez de dados em bruto. Ao comunicar actualizações com o processo de formação, é possível compreender se os servidores centrais e de terceiros não utilizam a informação sensível.
Com a ajuda de uma nova abordagem, é possível utilizar ferramentas como privacidade diferencial ou computação multipartidária como opções seguras. Utilizando estas ferramentas, é possível aumentar a privacidade reduzindo a eficiência do sistema e o desempenho do modelo.

Conclusão

Os desafios na aprendizagem federada são semelhantes aos problemas clássicos, tais como a aprendizagem em grande escala de máquinas, privacidade, optimização distribuída. Os peritos sugerem numerosas soluções para resolver problemas de comunicação na optimização, aprendizagem de máquinas, e comunidades de processamento de sinais. Não é possível lidar com problemas usando métodos anteriores.
Como a privacidade é cada vez mais essencial para várias aplicações de aprendizagem de máquinas, os problemas futuros podem ser desafiantes devido a dados variáveis. Além disso, isto pode ser difícil devido à implementação de restrições em cada dispositivo através das vastas redes.
Segundo os investigadores, a aprendizagem federada ou a aprendizagem em colaboração pode ser a próxima vaga de Inteligência Artificial. Numerosos sectores podem beneficiar da inteligência artificial federada, tais como o sector da saúde, indústrias, e comércio electrónico, para assegurar os dados após a execução de modelos de formação para a distribuição.