Federated Learning fournit les outils permettant à plusieurs parties distantes d'entraîner de manière collaborative un modèle d'apprentissage automatique unique sans partager de données. Chaque partie entraîne un modèle local avec un jeu de données privé. Seul le modèle local est envoyé à l'agrégateur pour améliorer la qualité du modèle global qui bénéficie à toutes les parties.
Format de données "
Tout format de données, y compris, mais sans s'y limiter, les fichiers CSV, les fichiers JSON et les bases de données PostgreSQL.
Informations d'identification requises
Informations d'identification de la tâche
Fonctionnement de l'apprentissage fédéré
Regardez cette vidéo de présentation pour découvrir les concepts et les éléments de base d'une expérimentation d'apprentissage fédéré. Découvrez comment appliquer les outils pour les améliorations de l'analyse de votre entreprise.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Un exemple d'utilisation de l'apprentissage fédéré est lorsqu'une alliance de l'aviation veut modéliser la façon dont une pandémie mondiale a un impact sur les retards des compagnies aériennes. Chaque partie participant à la fédération peut utiliser ses données pour former un modèle commun sans jamais déplacer ou partager ses données. Ils peuvent le faire dans des silos d'application ou dans tout autre scénario où des considérations réglementaires ou pragmatiques empêchent les utilisateurs de partager des données. Le modèle qui en résulte profite à chaque membre de l'alliance avec une meilleure compréhension de l'entreprise tout en réduisant les risques liés à la migration des données et à la protection de la vie privée.
Comme l'illustre le graphique suivant, les parties peuvent être réparties géographiquement et s'exécuter sur différentes plateformes. Un membre peut travailler sur un serveur physique avec une base de données relationnelle en Amérique du Nord, un autre membre travaille avec une machine virtuelle et Cloud Object Storage en Europe, et le dernier membre pourrait travailler en Australie avec son ordinateur portable et un fichier CSV.
Pourquoi utiliser IBM Federated Learning ?
IBM Federated Learning possède un large éventail d'applications dans de nombreux secteurs d'activité d'entreprise. L'apprentissage fédéré :
- Permet aux sites contenant de gros volumes de données d'être collectés, nettoyés et formés sur une échelle d'entreprise sans migration.
- Des mesures d'adaptation pour les différences de format de données, de qualité et de contraintes.
- Respecte la confidentialité et la sécurité des données tout en formant des modèles avec des sources de données différentes.
En savoir plus
- Tutoriels et exemples d'apprentissage fédéré
- Tutoriel d'apprentissage fédéré Tensorflow pour l'interface utilisateur
- Exemples d'apprentissage fédéré Tensorflow pour l'API
- Tutoriel de l'apprentissage fédéré XGBoost pour l'interface utilisateur
- Exemple de programme d'apprentissage fédéré XGBoost pour l'API
- Exemple de chiffrement homomorphique d'apprentissage fédéré pour l'API
- Initiation
- Structures, méthodes de fusion et versions de Python
- Création d'une expérimentation d'apprentissage fédéré
- Application du chiffrement
- Limitations et traitement des incidents
Rubrique parent: Analyse des données et génération de modèles