Translation not up to date
Produkt Federated Learning poskytuje nástroje pro více vzdálených večírků pro spolupráci v rámci jednoho strojového učení bez sdílení dat. Každá ze smluvních stran vymodeluje místní model se soukromou datovou sadou. Do agregátoru se odešle pouze lokální model, aby se zlepšila kvalita globálního modelu, který prospěje všem stranám.
Formát dat
Jakýkoli datový formát, včetně-nikoli však pouze-souborů CSV, souborů JSON a databází pro PostgreSQL.
Jak funguje federovaná výuka
Podívejte se na toto video s přehledem, abyste se dozvěděli o základních konceptech a prvcích experimentu sdruženého učení. Seznamte se s tím, jak můžete použít nástroje pro vylepšení analýzy vaší společnosti.
Toto video poskytuje vizuální metodu pro seznámení se s koncepty a úlohami v této dokumentaci.
Příklad použití produktu Federated Learning je, když aliance letecké dopravy chce modelovat, jak globální pandemie ovlivňuje zpoždění v letecké společnosti. Každá zúčastněná strana ve federaci může používat svá data k školení společného modelu, aniž by se přesunovala nebo sdílela jejich data. Mohou to dělat buď v aplikačních silech nebo jiném scénáři, kde regulační nebo pragmatické úvahy brání uživatelům ve sdílení dat. Výsledný model přináší výhody všem členům aliance s kvalitnějším obchodním poznatkům a zároveň snižuje riziko migrace dat a problémů s ochranou soukromí.
Jak ukazuje následující obrázek, strany mohou být geograficky rozděleny a spouštěny na různých platformách.
Proč používat produkt IBM Federated Learning
Produkt IBM Federated Learning má širokou škálu aplikací pro mnoho podnikových odvětví. Federované učení:
- Umožňuje shromažďovat, vyčistit a vyškolit servery s velkými objemy dat bez migrace na úrovni podniku.
- Ubytuje se pro rozdíly ve formátu, kvalitě a omezení dat.
- Stěžuje s ochranou dat a zabezpečením při práci s modely s různými zdroji dat.
Další informace
- Výukové programy a ukázky sdruženého učení
- Výukový program produktu Federated Learning Tensorflow pro uživatelské rozhraní
- Ukázky sdruženého vzdělávání pro Tensorflow pro rozhraní API
- Výukový program Federated Learning XGBoost pro uživatelské rozhraní
- Ukázka produktu Federated Learning XGBoost pro rozhraní API
- Ukázka homomorfického šifrování produktu Learning Learning pro rozhraní API
- getting started, začínáme
- Rámce, metody jaderné syntézy a verze Python
- Vytvoření produktu Federated Learning Experiment
- Použití šifrování
- Omezení a odstraňování problémů
Nadřízené téma: Analýza dat a modelů budov