Federated Learning stellt die Tools für mehrere ferne Parteien bereit, um ein einzelnes Modell für maschinelles Lernen gemeinsam zu trainieren, ohne Daten gemeinsam zu nutzen. Jede Partei trainiert ein lokales Modell mit einem privaten Dataset. Nur das lokale Modell wird an den Aggregator gesendet, um die Qualität des globalen Modells zu verbessern, das allen Parteien zugute kommt.
Erforderlicher Dienst '
watsonx.ai Runtime. Sie müssen die watsonx.ai Runtime Service-Instanz in Cloud Pak for Data as a Service installieren, um Federated Learning zu nutzen. Federated Learning ist verfügbar, wenn Sie watsonx.ai Runtime installieren.
Datenformat "
Jedes Datenformat, einschließlich, aber nicht beschränkt auf CSV-Dateien, JSON-Dateien und Datenbanken für PostgreSQL.
Erforderliche Bescheinigungen
Aufgaben-Anmeldeinformationen
Funktionsweise von Federated Learning
In diesem Übersichtsvideo erfahren Sie mehr über die grundlegenden Konzepte und Elemente eines Experiments für föderiertes Lernen. Hier erfahren Sie, wie Sie die Tools für die Analyseerweiterungen Ihres Unternehmens anwenden.
Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.
Ein Beispiel für die Verwendung von Federated Learning ist, wenn eine Luftfahrtallianz modellieren will, wie sich eine globale Pandemie auf Verspätungen von Fluggesellschaften auswirkt. Jede teilnehmende Partei in der Föderation kann ihre Daten verwenden, um ein allgemeines Modell zu trainieren, ohne ihre Daten jemals zu verschieben oder gemeinsam zu nutzen. Sie können dies entweder in Anwendungssilos oder in einem anderen Szenario tun, in dem regulatorische oder pragmatische Aspekte die gemeinsame Nutzung von Daten durch Benutzer verhindern. Von dem resultierenden Modell profitiert jedes Mitglied des Bündnisses durch verbesserte geschäftliche Erkenntnisse; gleichzeitig wird das Risiko von Datenmigrations- und Datenschutzproblemen gesenkt.
Wie in der folgenden Abbildung dargestellt, können Parteien geografisch verteilt sein und auf verschiedenen Plattformen ausgeführt werden. Ein Mitglied arbeitet möglicherweise an einem physischen Server mit einer relationalen Datenbank in Nordamerika, ein anderes Mitglied arbeitet mit einer virtuellen Maschine und Cloud Object Storage in Europa, und das letzte Mitglied arbeitet möglicherweise in Australien mit seinem Laptop und einer CSV-Datei.
Warum IBM Federated Learning?
IBM Federated Learning bietet eine Vielzahl von Anwendungen in vielen Unternehmensbranchen. Federated Learning:
- Ermöglicht das Erfassen, Bereinigen und Trainieren von Sites mit großen Datenmengen auf Unternehmensebene ohne Migration.
- Berücksichtigt die Unterschiede bei Datenformat, Qualität und Einschränkungen.
- Hält Datenschutz und Sicherheit ein, während Modelle mit verschiedenen Datenquellen trainiert werden.
Weitere Informationen
- Lernprogramme und Beispiele für föderiertes Lernen
- Lernprogramm für Federated Learning Tensorflow für die Benutzerschnittstelle
- Federated Learning Tensorflow -Beispiele für API
- Lernprogramm zu Federated Learning mit XGBoost (Benutzerschnittstelle)
- Federated Learning mit XGBoost - Beispiel für API
- Beispiel für homomorphe Verschlüsselung in Federated Learning für API
- Einführung
- Frameworks, Fusionsmethoden und Python -Versionen
- Experiment für föderiertes Lernen erstellen
- Verschlüsselung anwenden
- Einschränkungen und Fehlerbehebung
Übergeordnetes Thema: Daten analysieren und Modelle erstellen