Cómo funciona Federated Learning

Vea este vídeo de visión general para aprender los conceptos y elementos básicos de un experimento de aprendizaje federado. Descubra cómo puede aplicar las herramientas para las mejoras analíticas de su empresa.

Un ejemplo para usar Federated Learning es cuando una alianza de aviación quiere modelar cómo una pandemia global impacta en los retrasos de las aerolíneas. Cada parte participante en la federación puede utilizar sus datos para emtremar un modelo común sin mover ni compartir sus datos. Pueden hacerlo en silos de aplicación o en cualquier otro escenario en el que consideraciones normativas o pragmáticas impidan a los usuarios compartir datos. El modelo resultante beneficia a cada miembro de la alianza con conocimientos empresariales mejorados y reduce el riesgo de la migración de datos y los problemas de privacidad.

Como ilustra el gráfico siguiente, las partes pueden distribuirse geográficamente y ejecutarse en distintas plataformas. Un miembro puede trabajar en un servidor físico con una base de datos relacional en Norteamérica, otro miembro trabaja con una máquina virtual y Cloud Object Storage en Europa, y el último miembro podría trabajar en Australia con su computadora portátil y un archivo CSV.

Por qué utilizar IBM Federated Learning

IBM Federated Learning tiene una amplia gama de aplicaciones en muchos sectores empresariales. Federated Learning:

• Permite que los sitios con grandes volúmenes de datos se recopilen, se limpien y se entrenen en una escala de empresa sin migración.
• Se adapta a las diferencias en formato de datos, calidad y restricciones.
• Cumple con la privacidad y seguridad de los datos mientras entrena modelos con distintos orígenes de datos.

Más información

• Guías de aprendizaje y ejemplos de Federated Learning
  • Guía de aprendizaje de Federated Learning Tensorflow para la interfaz de usuario
  • Ejemplos de Tensorflow de Federated Learning para API
  • Guía de aprendizaje federado de XGBoost para la IU
  • Ejemplo de Federated Learning XGBoost para API
  • Ejemplo de cifrado homomorfo de Federated Learning para API
• Iniciación
  • Terminología
  • Arquitectura de Federated Learning
• Infraestructuras, métodos de fusión y versiones de Python
  • Definiciones de hiperparámetros
• Creación de un experimento de aprendizaje federado
  • Configurar el sistema
  • Creación del modelo inicial
  • Crear el manejador de datos
  • Inicio del agregador (Admin)
  • Conexión con el agregador (parte)
  • Supervisión y guardado del modelo
• Aplicación del cifrado
• Limitaciones y resolución de problemas

Tema padre: Análisis de datos y generación de modelos