چگونه یادگیری فدرال به توسعه دهندگان و صاحبان داده ها سود می رساند | توسط اینتل | فناوری اینتل | آوریل 2023

Share on FacebookShare on Twitter

آماده هستید آن را امتحان کنید؟

مشکلات توسعه دهندگان هوش مصنوعی:

• کنترل داده به اشتراک گذاشته نشده است
  عدم تمایل صاحبان داده به کنار گذاشتن کنترل داده‌های خود، در دسترس بودن داده‌ها را برای تجزیه و تحلیل و تصمیم‌گیری محدود می‌کند و به طور بالقوه منجر به مدل‌های هوش مصنوعی مغرضانه یا نادرست می‌شود.
• مدل های غیرقابل تعمیم
  اگر داده های ارائه شده به اندازه کافی پراکنده نباشد، نمی توان آن را در کلمه واقعی تعمیم داد. به عنوان مثال، مدل‌های ساخته شده بر روی داده‌های تنها چند سازمان نمی‌توانند پیش‌بینی مناسبی روی داده‌های مختلف انجام دهند، زیرا این مدل‌ها فقط الگوهای موجود در مجموعه داده‌هایی را که روی آن‌ها آموزش دیده‌اند، درک می‌کنند.
• کمبود داده
  کمبود داده می‌تواند منجر به سوگیری و عدم دقت در مدل‌های هوش مصنوعی و سایر فناوری‌های مبتنی بر داده شود، زیرا ممکن است مدل‌ها بر روی مجموعه داده‌های ناقص یا مغرضانه آموزش داده شوند. این می تواند عواقب جدی داشته باشد، مانند تداوم تعصبات سیستمیک یا منجر به توصیه های نادرست یا ناقص.
• مجموعه داده های بزرگ
  در حالت ایده‌آل، مدل‌ها باید با مقدار قابل‌توجهی از داده آموزش داده شوند، متمرکز کردن مجموعه داده‌های بزرگ برای توسعه هوش مصنوعی مستلزم انتقال داده‌ها به یک مکان مرکزی است که می‌تواند زمان‌بر و منابع فشرده باشد.

برای محتوای متن باز بیشتر از اینتل، بررسی کنید open.intel یا ما را دنبال کنید توییتر.

توسعه دهندگان هوش مصنوعی

• دسترسی به مجموعه داده های متنوع و بزرگ
  توسعه دهندگان نیاز به ارائه مدل های قابل اعتماد دارند. از آنجایی که داده‌های مورد استفاده برای آموزش آن مدل‌ها متنوع‌تر می‌شوند، فرصتی را برای مدل فراهم می‌کند تا از طیف وسیع‌تری از اطلاعات یاد بگیرد، که می‌تواند به کاهش سوگیری‌های بالقوه کمک کند.
• اعتبارسنجی مدل‌های هوش مصنوعی در انواع تنظیمات داده/دنیای واقعی
  مدل ها باید قوی، غیر مغرضانه و دقیق باشند. قابلیت اعتبارسنجی مدل با داده های چندین منبع به ارائه یک مدل قابل اعتماد کمک می کند.
• محافظت از IP مدل AI: امنیت همیشه یک ملاحظه مهم برای مدل‌های هوش مصنوعی است و این مدل‌ها باید تحت حمله امن باقی بمانند. حفاظت به محافظت از حقوق مالکیت معنوی (IP) توسعه دهندگانی که آنها را ایجاد می کنند اشاره دارد.

درک نکات دردناک و نیازهای صاحبان داده و توسعه دهندگان هوش مصنوعی برای موفقیت هر پروژه ML حیاتی است. ما برخی از چالش‌هایی را که این دو شخصیت در چرخه AI/ML با آن‌ها روبرو هستند و همچنین نیازهای خاص آنها را بررسی خواهیم کرد. با شناسایی این نیازها و نقاط دردناک، می‌توانیم استراتژی‌هایی برای رسیدگی به آنها و تضمین موفقیت پروژه‌های ML ایجاد کنیم.

نیاز دارد

سریع ترین راه برای تست OpenFL، امتحان کردن آموزش هاست.
همچنین می‌توانید با خواندن پست وبلاگ که نحوه آموزش یک مدل با OpenFL را توضیح می‌دهد یا بررسی مستندات آنلاین برای راه‌اندازی اولین فدراسیون خود، شروع کنید.

نقاط درد

نویسندگان: Ezequiel Lanza، Olga Perepelkina

برای صاحبان داده

• کنترل کامل روی داده ها را حفظ کنید
  یادگیری فدرال می‌تواند به حفظ کنترل کامل بر داده‌ها کمک کند و به سازمان‌ها اجازه می‌دهد مالکیت و کنترل داده‌های خود را حفظ کنند و در عین حال آن‌ها را برای استفاده در یادگیری ماشینی فعال کنند.
• خطرات نقض داده ها را به حداقل برسانید
  از آنجایی که داده ها غیرمتمرکز باقی می مانند و نیازی به انتقال به یک مکان مرکزی ندارند، خطرات نقض داده ها کاهش می یابد. هر دستگاه لبه فقط به داده های خود دسترسی دارد و نیازی به اشتراک گذاری آن با دیگران ندارد و احتمال قرار گرفتن در معرض داده ها را کاهش می دهد.
• کسب درآمد از داده ها
  یادگیری فدرال می‌تواند سازمان‌ها را قادر سازد تا با سایر طرف‌ها برای ایجاد بینش ارزشمندتر همکاری کنند. سازمان‌های متعدد می‌توانند بدون به اشتراک گذاشتن داده‌های خام خود در فرآیند آموزش شرکت کنند و مدل نهایی می‌تواند برای ایجاد بینش و کسب درآمد از داده‌های آنها به صورت جمعی استفاده شود.

OpenFL یک کتابخانه Python* برای یادگیری فدرال است که امکان همکاری در پروژه های یادگیری ماشین را بدون اشتراک گذاری داده های حساس یا خصوصی فراهم می کند. در یادگیری فدرال، مدل به‌جای اینکه داده‌ها برای برآورده کردن مدل حرکت می‌کنند، برای برآورده کردن داده‌ها حرکت می‌کند. OpenFL به طور کلی از یک خط لوله کلاسیک علم داده پیروی می کند، با دو جزء جریان کار جدید: “همکار” و “جمع کننده”. برای مثال در دنیای واقعی، این مطالعه موردی را بخوانید که در آن آزمایشگاه های اینتل با 71 موسسه بین المللی مراقبت های بهداشتی و تحقیقاتی برای آموزش مدل های هوش مصنوعی برای شناسایی تومورهای مغزی همکاری کردند.