연합 학습은 여러 원격 당사자가 데이터를 공유하지 않고 단일 기계 학습 모델을 공동으로 교육할 수 있는 도구를 제공합니다. 각 당사자는 개인용 데이터 세트를 사용하여 로컬 모델을 훈련합니다. 모든 당사자에게 이익이 되는 글로벌 모델의 품질을 개선하기 위해 로컬 모델만 집계자에게 전송됩니다.
데이터 형식 '
CSV 파일, JSON 파일 및 PostgreSQL 데이터베이스를 포함하되 이에 국한되지 않는 모든 데이터 형식입니다.
필수 자격 증명
작업 자격 증명
연합 학습 작동 방식
연합 학습 실험의 기본 개념 및 요소를 학습하려면 이 개요 비디오를 보십시오. 회사의 분석 개선사항에 도구를 적용하는 방법을 알아보십시오.
이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.
연합 학습을 사용하는 예로 항공 동맹이 글로벌 전염병이 항공사 지연에 미치는 영향을 모델링하려는 경우를 들 수 있습니다. 연합에 참여하는 각 상대는 데이터를 사용하여 데이터를 이동하거나 공유하지 않고 공통 모델을 훈련할 수 있습니다. 애플리케이션 사일로 또는 규정 또는 실용적인 고려사항으로 인해 사용자가 데이터를 공유하지 못하는 기타 시나리오에서 이를 수행할 수 있습니다. 결과적인 모델은 데이터 마이그레이션 및 개인 정보 보호 문제로 인한 위험을 낮추면서 비즈니스 통찰력이 향상된 각 동맹의 멤버에게 혜택을 제공합니다.
다음 그래픽에 표시된 대로, 당사자는 지리적으로 분산되어 서로 다른 플랫폼에서 실행될 수 있습니다. 한 구성원은 북미 지역의 관계형 데이터베이스가 있는 물리적 서버에서 작업할 수 있고, 다른 구성원은 가상 머신 및 Cloud Object Storage 유럽에서는 마지막 구성원이 노트북과 CSV 파일을 가지고 호주에서 작업할 수 있습니다.
IBM Federated Learning을 사용하는 이유
IBM Federated Learning에는 여러 엔터프라이즈 산업에서 광범위한 애플리케이션이 있습니다. Federated Learning:
- 대량의 데이터가 있는 사이트를 수집하고, 정리하고, 마이그레이션하지 않고 엔터프라이즈 규모로 훈련할 수 있습니다.
- 데이터 형식, 품질 및 제한조건의 차이를 수용합니다.
- 다른 데이터 소스를 사용하여 모델을 훈련하는 동안 데이터 개인정보 보호 및 보안을 준수합니다.
자세히 알아보기
상위 주제: 데이터 분석 및 모델 빌드