Fêrbûna Federalî çi ye?

Fêrbûna Federalî çi ye?

Rêbaza kevneşopî ya perwerdehiya modelên AI-ê tê de sazkirina serverên ku model li ser daneyan têne perwerde kirin, bi gelemperî bi karanîna platformek hesabkirina ewr-based. Lêbelê, di van çend salên borî de formek alternatîf a afirandina modelê derketiye, ku jê re fêrbûna federasyon tê gotin. Fêrbûna federal modelên fêrbûna makîneyê tîne çavkaniya daneyê, li şûna ku daneyan bîne modelê. Fêrbûna federatî gelek amûrên hesabkerî bi pergalek nenavendî ve girêdide ku destûrê dide cîhazên takekesî yên ku daneyan berhev dikin ku di perwerdekirina modelê de bibin alîkar.

Di pergalek fêrbûna federasyonê de, amûrên cihêreng ên ku beşek ji tora fêrbûnê ne, her yek kopiyek modelê li ser cîhazê heye. Amûrên / xerîdarên cûda kopiya xwe ya modelê perwerde bikin bi karanîna daneyên herêmî yên xerîdar, û dûv re pîvanên / giraniyên ji modelên kesane têne şandin ji amûrek sereke, an serverek, ku pîvanan berhev dike û modela gerdûnî nûve dike. Dûv re ev pêvajoya perwerdehiyê dikare were dûbare kirin heya ku rastiyek tê xwestin were bidestxistin. Bi kurtasî, ramana li pişt fêrbûna federasyonê ev e ku yek ji daneyên perwerdehiyê çu carî di navbera cîhazan an di navbera partiyan de nayê veguheztin, tenê nûvekirinên bi modelê ve girêdayî ne.

Fêrbûna federal dikare di sê gav an qonaxên cûda de were dabeş kirin. Fêrbûna federal bi gelemperî bi modelek gelemperî dest pê dike ku wekî bingehek bingehîn tevdigere û li ser serverek navendî tê perwerde kirin. Di gava yekem de, ev modela gelemperî ji xerîdarên serîlêdanê re tê şandin. Dûv re van kopiyên herêmî li ser daneyên ku ji hêla pergalên xerîdar ve têne hilberandin têne perwerde kirin, fêr dibin û performansa wan baştir dikin.

Di gava duyemîn de, xerîdar hemî pîvanên modela xweyên fêrbûyî dişînin servera navendî. Ev bi awayekî periyodîk, li ser bernameyek diyarkirî pêk tê.

Di gava sêyemîn de, server gava ku wan distîne pîvanên fêrbûyî berhev dike. Piştî ku pîvan têne berhev kirin, modela navendî tê nûve kirin û careke din bi xerîdaran re tê parve kirin. Hingê tevahiya pêvajoyê dubare dike.

Ew sûd ji kopiyek heye modela li ser cîhazên cihêreng ev e ku derengiya torê têne kêm kirin an jêbirin. Mesrefên bi parvekirina daneyan bi serverê re jî ji holê radibin. Feydeyên din ên rêbazên fêrbûna federatî ev e ku modelên fêrbûna federasyonê nepenî têne parastin, û bersivên modelê ji bo bikarhênerê cîhazê têne kesane kirin.

Mînakên modelên fêrbûna federasyonê motorên pêşniyarê, modelên tespîtkirina xapandinê, û modelên bijîjkî hene. Motorên pêşniyarên medyayê, yên ku ji hêla Netflix an Amazon ve têne bikar anîn, dikarin li ser daneyên ku ji hezaran bikarhêneran hatine berhev kirin bêne perwerde kirin. Amûrên xerîdar dê modelên xwe yên cihêreng perwerde bikin û modela navendî dê fêr bibe ku pêşbîniyên çêtir çêbike, her çend xalên daneyên kesane dê ji bikarhênerên cihêreng re bêhempa bin. Bi heman rengî, modelên tespîtkirina xapandinê ku ji hêla bankan ve têne bikar anîn dikarin li ser şêwazên çalakiyê ji gelek amûrên cihêreng werin perwerde kirin, û çend bankên cihêreng dikarin hevkariyê bikin da ku modelek hevpar perwerde bikin. Di warê modelek fêrbûna federasyona bijîjkî de, gelek nexweşxane dikarin hev bikin ku modelek hevpar perwerde bikin ku dikare tumorên potansiyel bi şopandina bijîjkî nas bike.

Cureyên Fêrbûna Federal

Þemayên fêrbûna federal bi gelemperî dikeve yek ji du çînên cûda: sîstemên pirpartî û sîstemên yekpartî. Pergalên fêrbûna federasyona yek-partî jê re "yek-partî" tê gotin ji ber ku tenê saziyek yekane berpirsiyar e ku çavdêriya girtin û herikîna daneyan li seranserê hemî amûrên xerîdar ên di tora fêrbûnê de bike. Modelên ku li ser cîhazên xerîdar hene li ser daneyên bi heman strukturê têne perwerde kirin, her çend xalên daneyê bi gelemperî ji bikarhêner û cîhazên cihêreng re bêhempa ne.

Berevajî pergalên yek-partî, pergalên pir-partî ji hêla du an bêtir saziyan ve têne rêve kirin. Van saziyan ji bo perwerdekirina modelek hevpar bi karanîna cûrbecûr cîhaz û danûstendinên ku ew gihîştine wan re hevkariyê dikin. Parametre û strukturên daneyê bi gelemperî di nav cîhazên ku ji gelek saziyan re têkildar in wekî hev in, lê ne hewce ye ku ew tam yek bin. Di şûna wê de, pêş-pêvajo tê kirin da ku têketinên modelê standard bike. Dibe ku saziyek bêalî were bikar anîn da ku giraniyên ku ji hêla cîhazên yekta yên pêkhateyên cûda ve hatine damezrandin berhev bike.

Çarçoveyên ji bo Fêrbûna Federal

Çarçoveyên populer ên ku ji bo fêrbûna federasyonê têne bikar anîn hene Tensorflow Federal, Pêşkêşkera Teknolojiya AI-yê ya Federal (FATE), û PySyft. PySyft pirtûkxaneyek fêrbûna federasyonê ya çavkaniya vekirî ye ku li ser bingeha pirtûkxaneya fêrbûna kûr PyTorch-ê ye. PySyft armanc e ku fêrbûna kûr a taybet, ewledar li seranserê server û nûneran bi karanîna hesabkirina şîfrekirî peyda bike. Di vê navberê de, Tensorflow Federated çarçoveyek din a çavkaniyek vekirî ye ku li ser platforma Tensorflow ya Google hatî çêkirin. Digel vê yekê ku bikarhêner dikarin algorîtmayên xwe biafirînin, Tensorflow Federated destûrê dide bikarhêneran ku hejmarek algorîtmayên fêrbûna federatîf li ser model û daneyên xwe simul bikin. Di dawiyê de, FATE di heman demê de çarçoveyek çavkaniyek vekirî ye ku ji hêla Webank AI-ê ve hatî sêwirandin, û mebest e ku ekosîstema AI-ya Federe bi çarçoveyek komputera ewledar peyda bike.

Pirsgirêkên Fêrbûna Federal

Ji ber ku hînbûna federasyon hîn jî bi rengek nû ye, çend dijwariyan ji bo ku bigihîje potansiyela xwe ya tevahî divê hîn muzakere bê kirin. Kapasîteyên perwerdehiyê yên cîhazên devê, nîşankirina daneyan û standardîzekirin, û hevahengiya modelê rêgiriyên potansiyel in ji bo nêzîkatiyên fêrbûna federasyonê.

Dema ku dor tê ser perwerdehiya herêmî, pêdivî ye ku dema sêwirana nêzîkatiyên fêrbûna federatîf were hesibandin, jêhatîbûnên hesabkerî yên cîhazên qiraxê. Dema ku pir têlefon, tablet û amûrên din ên lihevhatî IoT dikarin modelên fêrbûna makîneyê perwerde bikin, ev bi gelemperî performansa cîhazê asteng dike. Pêdivî ye ku di navbera rastbûna model û performansa cîhazê de lihevkirin bêne çêkirin.

Nîşankirin û standardîzekirina daneyan dijwariyek din e ku divê pergalên fêrbûna federatîf bi ser bikevin. Modelên fêrbûna çavdêrîkirî hewceyê daneyên perwerdehiyê yên ku bi zelalî û bi domdarî têne navnîş kirin, hewce dike ku meriv di nav gelek amûrên xerîdar ên ku beşek pergalê ne de dijwar be. Ji ber vê yekê, girîng e ku meriv boriyên daneya modelê pêşve bibe ku bixweber li ser bûyer û kiryarên bikarhêner etîketan bi rengek standardkirî bicîh bikin.

Demê lihevhatina modelê ji bo fêrbûna federasyonê dijwariyek din e, ji ber ku modelên fêrbûna federasyonê bi gelemperî ji modelên perwerdekirî yên herêmî dirêjtir digihîje hev. Hejmara amûrên ku di perwerdehiyê de beşdar dibin hêmanek nepêşbînbariyê li perwerdehiya modelê zêde dike, ji ber ku pirsgirêkên pêwendiyê, nûvekirinên nerêkûpêk, û tewra demên cûda yên karanîna serîlêdanê dikarin bibin alîkar ku dema lihevhatinê zêde bibe û pêbaweriyê kêm bike. Ji ber vê yekê, çareseriyên fêrbûna federasyonê bi gelemperî pir bikêr in dema ku ew avantajên watedar li ser modelek perwerdehiya navendî peyda dikin, wek nimûneyên ku daneyên danûstendinê zehf mezin û belavkirî ne.

Wêne: Jeromemetronome bi rêya Wikimedia Commons, CC By SA 4.0 (https://en.wikipedia.org/wiki/File:Federated_learning_process_central_case.png)