الأخبار التكنولوجية والاستعراضات والنصائح!

مقدمة في التعلم الموحد – نحو الذكاء الاصطناعي

ستساعدك المقالة التالية: مقدمة في التعلم الموحد – نحو الذكاء الاصطناعي

نُشر في الأصل على نحو AI ، الشركة الرائدة في العالم في مجال الذكاء الاصطناعي والأخبار التقنية والإعلام. إذا كنت تقوم ببناء منتج أو خدمة متعلقة بالذكاء الاصطناعي ، فنحن ندعوك للتفكير في أن تصبح راعيًا للذكاء الاصطناعي. في نحو الذكاء الاصطناعي ، نساعد في توسيع نطاق الشركات الناشئة في مجال الذكاء الاصطناعي والتكنولوجيا. دعنا نساعدك على إطلاق التكنولوجيا الخاصة بك للجماهير.

خصوصية البيانات والأمان مع التعلم الفيدرالي

كثيرًا ما يسأل الأشخاص في مجال AI-ML-DL عن ذلك مخاوف خصوصية البيانات وأمن البيانات وهو أمر منطقي إلى حد ما لأنه بعد نماذج التدريب على مجموعة متنوعة من مجموعات البيانات ، ما هي الإستراتيجية التي يجب أن تكون للتعامل مع البيانات وخصوصيتها؟

لا يزال هناك عائقان مهمان للذكاء الاصطناعي الحديث. واحد هو أن البيانات عادة ما تكون موجودة على شكل جزر منعزلة في شركات مختلفة. والآخر هو تحسين أمن وخصوصية البيانات. في أساليب التعلم والتدريب الحالية الأكثر انتشارًا ، نجلب مجموعات البيانات الخاصة بنا نحو نموذج ثابت ومركزي يتم من خلاله استخلاص الرؤى. يعد نقل البيانات من نظام إلى آخر ، ومن قاعدة البيانات إلى قاعدة البيانات ، أمرًا صعبًا للغاية ، ويمكن أن يتم تسريب البيانات وسرقة البيانات.

التعلم الاتحادي هي طريقة التعلم النموذجية الناشئة التي لديها حل لجميع المشاكل المذكورة أعلاه. دعونا نرى التعلم الموحد بالتفصيل. القوة الغاشمة جدًا أو المعنى القاموس للكلمة المتحدة هو “للاتحاد في ظل حكومة أو منظمة مركزية مع الاحتفاظ ببعض السيطرة المحليةكيف يرتبط هذا المعنى بالتعلم الفيدرالي الفعلي ، سنرى في الأقسام التالية من المدونة.

ماذا لو كان بإمكاني إحضار النموذج المحلي تجاه البيانات وليس البيانات تجاه النموذج؟ دعونا نفهم هذا من خلال مثال بسيط من خلال مدونة التعلم الفيدرالية google.ai. يمكن استخدام أي تطبيق جوال يتفاعل مع المستخدمين لتدريب نموذج التعلم الآلي الذي يحاول التعلم من تفاعلات المستخدم. على العديد من الأجهزة المحمولة ، سيتم تدريب نموذج ML في وقت واحد. يوفر هذا النموذج المدرب تحديثات ، والتي يتم إرسالها بعد ذلك إلى خادم أو نموذج مركزي. سيتم استخدام المدخلات التي يوفرها النموذج الصناعي لتحديث النموذج المركزي. مرة أخرى ، سيتم إرسال نموذج محدث مركزيًا إلى أجهزتك.

يقوم أجهزتنا بتنزيل النموذج الحالي وتحسينه من خلال التعلم من البيانات الموجودة على هاتفك وبعد ذلك يلخص التغييرات كتحديث صغير ومركّز. يتم إرسال هذا التحديث للنموذج فقط إلى السحابة ، باستخدام الاتصال المشفر ، حيث يتم حساب متوسطه على الفور مع تحديثات المستخدم الأخرى لتحسين النموذج المشترك. تبقى جميع بيانات التدريب على جهازك، ولا يتم تخزين أي تحديثات فردية في السحابة.

لتوضيح ذلك ، ليس لديك بيانات مركزية. لديك بيانات موزعة عبر مواقع وأجهزة مختلفة ، والآن تريد تدريب نموذج التعلم الآلي.

بالنسبة لي ، فإن أكبر مصدر للقلق خصوصية البيانات و أمن البيانات يتم توجيهها هنا. البيانات موجودة في موقع المستخدم ، ويتم إرسال النماذج المحدثة إلى النظام المركزي. تتمثل ميزة التعلم الموحد في أنك لا تجلب البيانات نحو النموذج ، ولكنك تقوم بإحضار النموذج نحو البيانات. تدريب خوارزمية على حواف أو خوادم محلية مختلفة واستخدامها كملف عينة بيانات من السكان.

يمكن للشركات الاستفادة من نماذج التعلم الآلي الدقيقة ، لكن أنظمة التعلم الآلي المركزية النموذجية لها قيود ، مثل لا تتعلم باستمرار على الأجهزة المتطورة و أتجميع البيانات الخاصة على الخوادم المركزية. يساعد التعلم الموحد على التخفيف من هذه المشكلات.

في التعلم الآلي التقليدي ، يتم إنشاء نموذج ML مركزي باستخدام جميع بيانات التدريب التي يمكن الوصول إليها في بيئة مركزية. عندما يمكن تقديم التنبؤات بواسطة خادم مركزي ، فإن هذا يعمل دون أي مشاكل.

قد تتعرض تجربة المستخدم الممتعة للخطر بسبب تأخر الاتصال بين جهاز المستخدم وخادم مركزي في الحوسبة المتنقلة لأن المستخدمين يتوقعون استجابات سريعة. قد يتم تثبيت النموذج في جهاز المستخدم النهائي لمعالجة ذلك ، ولكن نظرًا لأن النماذج يتم تدريبها على مجموعات بيانات كاملة ، يصبح التعلم المستمر أمرًا صعبًا.

التعلم الموحد في صناعة الرعاية الصحية:

توفر مجموعات البيانات الكبيرة والمتنوعة والعالية الجودة تجربة لخوارزميات الذكاء الاصطناعي. ومع ذلك ، كان من الصعب العثور على مثل هذه الإحصاءات تاريخياً ، لا سيما في قطاع الرعاية الصحية.

اضطرت المؤسسات الطبية إلى الاعتماد على مصادر البيانات الخاصة بها ، والتي يمكن أن تتأثر بعوامل مثل التركيبة السكانية للمرضى ، أو الأدوات المستخدمة ، أو التخصصات السريرية. أو للحصول على جميع البيانات اللازمة ، كان عليهم الجمع بين البيانات من المؤسسات الأخرى.

وفقًا لـ BrainTorrent: بيئة نظير إلى نظير لورقة التعلم الفيدرالي اللامركزي ، تتمثل الصعوبة المتكررة في تدريب الشبكات العصبية العميقة على التصوير الطبي في الوصول إلى بيانات مصنفة كافية. نظرًا لأن التعليقات التوضيحية على البيانات مكلفة وتستغرق وقتًا طويلاً ، فمن الصعب على مركز طبي واحد الحصول على كميات كافية من العينات لإنشاء نماذج مخصصة خاصة به. لتجنب ذلك ، يمكن جمع البيانات من جميع المراكز واستخدامها لتدريب إطار عمل مركزي يمكن لأي شخص الوصول إليه. ومع ذلك ، يتم استخدام هذا التكتيك بشكل متكرر. نظرًا للطبيعة الخاصة للبيانات الطبية ، فهي غير عملية. تم تطوير التعلم الموحد (FL) مؤخرًا لتمكين التعلم التعاوني لنموذج التنبؤ المشترك عبر المراكز دون الحاجة إلى تبادل البيانات. في FL ، يقوم المستخدمون بتدريب النماذج محليًا على مجموعات بيانات خاصة بالموقع لبضع فترات قبل مشاركة أوزان النموذج الخاصة بهم مع خادم مركزي ، والذي يدير إجراء التدريب بأكمله. من الضروري ألا تتعرض خصوصية المرضى للخطر بسبب مشاركة النموذج.

التعلم الموحد في إنترنت الأشياء:

يتم تطوير إنترنت الأشياء (IoT) ، وفتح خيارات جديدة لجمع البيانات في الوقت الفعلي ونشر نموذج التعلم الآلي. ومع ذلك ، قد لا يتمتع جهاز إنترنت الأشياء الواحد بالقدرة الحسابية لتطوير وتنفيذ نموذج تعليمي كامل. بالإضافة إلى إثارة المخاوف بشأن أمان البيانات والخصوصية ، فإن إرسال بيانات مستمرة في الوقت الفعلي إلى خادم مركزي مزود بقدرات حسابية قوية يؤدي إلى تكبد تكاليف نقل كبيرة. وفقًا للورقة البحثية ، فإن النهج الواعد لتدريب نماذج التعلم الآلي على الخوادم والأجهزة ذات الموارد المحدودة هو التعلم الموحد ، وهو إطار عمل لتعلم الآلة الموزع.

ومع ذلك ، تفترض غالبية الدراسات الموجودة طريقة تحديث معلمة متزامنة غير عملية مع عقد إنترنت الأشياء موحدة متصلة عبر روابط اتصال مستقرة. قمنا بإنشاء إستراتيجية تعلم موحدة غير متزامنة في هذه الورقة لزيادة فعالية التدريب لأجهزة إنترنت الأشياء المختلفة في ظل شبكات مختلفة. لإكمال مهام التعلم بشكل فعال ، نقوم ببناء ملف خوارزمية اختيار العقدة خفيفة الوزن ونموذج التعلم الموحد غير المتزامن. من أجل المشاركة في مجموع التعلم العالمي ، يختار النهج المقترح بشكل متكرر عقد إنترنت الأشياء غير المتجانسة مع مراعاة قدرة المعالجة المحلية وحالة الاتصال. استنتجت هذه الورقة كيف أن جمع البيانات ومعالجتها من أجهزة إنترنت الأشياء يعطي نتائج متطورة.

يبدو مثل يتمتع التعلم الموحد بالكثير من الإمكانات. لا يقتصر الأمر على حماية بيانات المستخدم الحساسة فحسب ، بل يقوم أيضًا بتجميع البيانات من العديد من المستخدمين ، والبحث عن الأنماط الشائعة ، وتقوية النموذج بمرور الوقت. إنه يطور نفسه بناءً على بيانات المستخدم ، ويحميه ، ثم يعاود الظهور كشخص أكثر حكمة واستعدادًا مرة أخرى لاختبار نفسه مع مستخدميه! أصبح الاختبار والتدريب أكثر ذكاءً! أطلق التعليم الفيدرالي حقبة جديدة من الذكاء الاصطناعي الآمن ، سواء كان ذلك في التدريب أو الاختبار أو خصوصية المعلومات. لا يزال تصميم وتنفيذ التعلم الفيدرالي يواجه العديد من الصعوبات لأنه لا يزال في شكله الأولي. يعد تصميم خط أنابيب البيانات وتحديد مشكلة التعلم الموحد طريقتين فعالتين لمعالجة هذه العقبة.

برنامج مفتوح المصدر للتعلم الفيدرالي

· قدر

· Substra

· PySyft

PyGrid

OpenFL

· اتحاد TensorFlow

· التعلم المتحد من IBM

· نفيديا كلارا

فعالية التعلم الفيدرالي

أمن البيانات: الحفاظ على مجموعة التدريب على الأجهزة سيفعل ذلك ضمان أمن البيانات والقضاء على متطلبات تجمع بيانات للنموذج.

تنوع البيانات: قد تمنع المشكلات الأخرى ، مثل عدم توفر الشبكة في الأجهزة المتطورة ، الشركات من دمج مجموعات البيانات من مصادر عديدة. يجعل التعلم الموحد من الأسهل الوصول إلى مجموعة متنوعة من البيانات ، حتى عندما لا تتمكن بعض مصادر البيانات من التواصل إلا في بعض الأحيان.

التعلم المستمر في الوقت الحقيقي: النماذج محدثة باستمرار الاستفادة من بيانات العميل دون الحاجة إلى تجميع البيانات.

فعالية الأجهزة: تستخدم هذه الاستراتيجية أجهزة أقل تطوراً لأن نماذج التعلم الموحد لا تحتاج إلى خادم مركزي واحد معقد لتحليل البيانات.

مراجع :

  1. ستيفانو سافازي ، مونيكا نيكولي وفيتوريو رامبا ، التعلم الموحد باستخدام الأجهزة المتعاونة: نهج إجماع لشبكات إنترنت الأشياء الضخمة(2019)، arXiv: 1912.13163v1 [eess.SP] 27 ديسمبر 2019
  2. فيراجي موتوكوريا رضا ، إم باريزيا سيدامين ، بوريهب ، يان هوانجا ، علي دهغانتاناك ، جوتام سريفاستافا ، مسح حول أمن وخصوصية التعلم الفيدرالي(2021)، جيل المستقبل لأنظمة الكمبيوتر ، المجلد 115
  3. ريثش سرينيفاسان ، ما هو التعلم الموحد (فيديو يوتيوب)
  4. إستفان هيجيدوس ، غابور دانر ومارك يلاسيتي ، يعمل التعلم اللامركزي: مقارنة تجريبية لتعلم القيل والقال والتعلم الفيدرالي(2021)، مجلة الحوسبة المتوازية والموزعة (المجلد 148)
  5. Wenqi Li و Fausto Milletar و Daguang Xu و Nicola Rieke و Jonny Hancox و Wentao Zhu و Maximilian Baust و Yan Cheng و S´ebastien Ourselin و M. Jorge Cardoso و Andrew Feng ، تقسيم ورم الدماغ الفيدرالي مع الحفاظ على الخصوصية(أكتوبر 2019)، الهندسة الطبية الحيوية وعلوم التصوير ، كينجز كوليدج لندن ، المملكة المتحدة
  6. بريندان مكماهان ودانيال راماج ، علماء أبحاث ، التعلم الموحد: التعلم الآلي التعاوني بدون بيانات تدريب مركزية(2017)، مدونة جوجل AI
  7. نيكولا ريك ، ما هو التعلم الموحد؟(2019)مدونة Nvidia
  8. ألفاريس (2022)، Apheris الاتحادية التعلم

إذا وجدت هذه البصيرة

إذا وجدت هذه المقالة ثاقبة ، فاتبعني ينكدين و واسطة. بامكانك ايضا يشترك ليتم إخطاري عندما أنشر مقالات. شكرا لدعمك!


نُشرت مقدمة إلى التعلم الفيدرالي في الأصل في Towards AI on Medium ، حيث يواصل الأشخاص المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.

تم النشر عبر نحو الذكاء الاصطناعي