Federated Learning fornisce gli strumenti per più parti remote per formare in modo collaborativo un singolo modello di machine learning senza condividere i dati. Ogni parte addestra un modello locale con un dataset privato. Solo il modello locale viene inviato all'aggregatore per migliorare la qualità del modello globale a vantaggio di tutte le parti.
Formato dati '
Qualsiasi formato di dati, compresi, ma non solo, file CSV, file JSON e database per PostgreSQL.
Credenziali richieste
Credenziali dell'attività
Come funziona l'apprendimento federato
Guarda questo video di panoramica per apprendere i concetti e gli elementi di base di un esperimento di apprendimento federato. Scopri come applicare gli strumenti per i miglioramenti dell'analytics della tua azienda.
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Un esempio per l'utilizzo di Federated Learning è quando un'alleanza aerea vuole modellizzare l'impatto di una pandemia globale sui ritardi delle compagnie aeree. Ogni parte partecipante nella federazione può utilizzare i propri dati per formare un modello comune senza mai spostare o condividere i propri dati. Possono farlo nei silos delle applicazioni o in qualsiasi altro scenario in cui considerazioni normative o pragmatiche impediscono agli utenti di condividere i dati. Il modello risultante apporta vantaggi a ciascun membro dell'alleanza con informazioni di business migliorate, riducendo i rischi derivanti dalla migrazione dei dati e dai problemi di privacy.
Come illustrato dal grafico seguente, le parti possono essere distribuite geograficamente e gestite su piattaforme diverse. Un membro potrebbe lavorare su un server fisico con un database relazionale in Nord America, un altro membro lavora con una macchina virtuale e Cloud Object Storage in Europa e l'ultimo membro potrebbe lavorare in Australia con il proprio laptop e un file CSV.
Perché utilizzare IBM Federated Learning
IBM Federated Learning offre una vasta gamma di applicazioni in molti settori aziendali. Apprendimento federato:
- Consente ai siti con grandi volumi di dati di essere raccolti, puliti e formati su scala aziendale senza migrazioni.
- Si adatta alle differenze di formato, qualità e vincoli dei dati.
- Conforme alla privacy e alla sicurezza dei dati, mentre i modelli di formazione con diverse origini dati.
Ulteriori informazioni
- Esempi e esercitazioni di Federated Learning
- Introduzione
- Framework, metodi fusion e versioni Python
- Creazione di un esperimento Federated Learning
- Applicazione della codifica
- Limitazioni e risoluzione dei problemi
Argomento principale Analisi di dati e creazione di modelli