Birleşik Öğrenme

Federatif öğrenme, birden fazla cihazın ham eğitim verilerini paylaşmadan işbirliği içinde bir modeli eğitmesine olanak tanıyan merkezi olmayan bir makine öğrenimi tekniğidir. Geleneksel merkezi yöntemlerde veriler tek bir veri gölü veya sunucuda toplanırken, federatif öğrenme modeli verilere getirir. Verilerin tek bir veri gölü veya sunucuda toplandığı geleneksel merkezi yöntemlerin aksine, birleştirilmiş öğrenme modeli verilere getirir. Bu yaklaşım, veri gizliliği ve güvenliğini ele alma şeklimizi temelden değiştirerek, kuruluşların akıllı telefonlarda, IoT cihazlarında veya özel sunucularda bulunan hassas bilgileri kullanmalarını sağlarken, verilerin asla orijinal kaynağından ayrılmamasını garanti eder.

Birleşik Süreç Nasıl Çalışır?

Birleşik öğrenmenin temel mekanizması, merkezi bir sunucu ile katılımcı istemci cihazlar arasında yinelemeli bir iletişim döngüsünü içerir. Bu süreç, kullanıcı anonimliğini tehlikeye atmadan küresel bir sinir ağının sürekli iyileştirilmesini sağlar.

1. Küresel Model Başlatma: Merkezi bir sunucu, genel bir temel modeli başlatır ve bunu seçilen uygun istemci cihazlar grubuna yayınlar.
2. Yerel Eğitim: Her müşteri, kendi yerel, özel veri setini kullanarak bağımsız olarak model eğitimi gerçekleştirir. Bu, Edge AI yeteneklerinden yararlanarak cihaz üzerinde güncellemeleri hesaplar. .
3. Güncelleme Toplama: Ham görüntüleri veya metinleri yüklemek yerine, müşteriler yalnızca model güncellemelerini (özellikle hesaplanan gradyanları veya model ağırlıklarını) merkezi sunucuya geri gönderir.
4. Küresel İyileştirme: Sunucu, Federated Averaging (FedAvg) gibi algoritmalar kullanarak bu çeşitli güncellemeleri yeni ve üstün bir küresel modelde birleştirir.
5. Yineleme: İyileştirilmiş model müşterilere geri gönderilir ve sistem istenen doğruluğu elde edene kadar döngü tekrarlanır. .

Birleştirilmiş Öğrenme ve Dağıtılmış Eğitim

Federatif öğrenmeyi benzer eğitim paradigmalarından ayırmak önemlidir, çünkü bunlar farklı mühendislik sorunlarını çözer.

• Dağıtılmış Eğitim: Bu genellikle, hesaplamayı hızlandırmak için büyük, merkezi bir veri kümesinin birden fazla GPU'ya bölündüğü tek bir veri merkezi gibi kontrollü bir ortamda gerçekleşir. Birincil hedef işlem hızıdır ve düğümler yüksek bant genişliğine sahip bağlantılarla birbirine bağlanır.
• Federatif Öğrenme: Bu, farklı pil ömürleri ve ağ bağlantıları olan heterojen cihazların ( cep telefonları gibi) bulunduğu kontrolsüz bir ortamda çalışır. Birincil hedef, gizlilik ve veri erişimidir, mutlaka ham hız değildir.

Gerçek Dünya Uygulamaları

Merkezi olmayan veriler üzerinde eğitim yapma yeteneği, sıkı yasal düzenlemelere tabi olan sektörler için yeni kapılar açmıştır.

• Sağlık Hizmetlerinde Yapay Zeka: Hastaneler, hasta kayıtlarını paylaşmadan tıbbi görüntü analizi kullanarak güçlü tümör tespit modelleri eğitmek için işbirliği yapabilirler. Bu, kurumların HIPAA düzenlemelerine uyarak daha büyük veri setlerinden yararlanmalarını sağlar .
• Tahminci Klavyeler: Mobil işletim sistemleri, bir sonraki kelime tahminini ve doğal dil işlemeyi (NLP) iyileştirmek için birleşik öğrenmeyi kullanır. Yerel olarak yazma kalıplarından öğrenerek, telefon özel mesajları buluta iletmeden kullanıcı deneyimini iyileştirir.
• Otomotivde Yapay Zeka: Otonom araç filoları, yerel yol koşullarından ve sürücü müdahalelerinden öğrenebilir. Bu bilgiler toplanarak, terabaytlarca ham video beslemesi merkezi bir sunucuya yüklenmeden filonun otonom sürüş yetenekleri güncellenebilir .

Kod Örneği: Yerel İstemci Güncellemesini Simüle Etme

Birleşik bir iş akışında, istemcinin görevi küçük, yerel bir veri kümesinde genel modeli ince ayarlamaktır. Aşağıdaki Python , bir istemcinin en son teknolojiye sahip YOLO26 modelini kullanarak bir tur yerel eğitim gerçekleştirmesini gösterir.

from ultralytics import YOLO

# Load the global model received from the central server
# In a real FL system, this weight file is downloaded from the aggregator
model = YOLO("yolo26n.pt")

# Perform local training on the client's private data
# We train for 1 epoch to simulate a single round of local contribution
results = model.train(data="coco8.yaml", epochs=1, imgsz=640)

# The updated 'best.pt' weights would now be extracted
# and sent back to the central server for aggregation
print("Local training round complete. Weights ready for transmission.")

Avantajlar ve Gelecekteki Yönelimler

Birleşik öğrenmenin temel avantajı, tasarım gereği gizlilik olmasıdır. Bu, geliştiricilerin GDPR gibi gizlilik yasaları nedeniyle başka türlü erişilemeyecek sentetik veriler veya gerçek dünyadaki sınır durumları üzerinde eğitim almasına olanak tanır. Ayrıca, yüksek çözünürlüklü video veya görüntü verileri yerel olarak kaldığı için ağ bant genişliği maliyetlerini azaltır.

Ancak, özellikle sistem heterojenliği (farklı cihazların farklı işlem gücüne sahip olması) ve düşmanca saldırılara karşı güvenlik konusunda zorluklar devam etmektedir. Kötü niyetli istemciler teorik olarak küresel modeli bozmak için "zehirli" güncellemeler gönderebilir. Bunu azaltmak için, diferansiyel gizlilik gibi gelişmiş teknikler genellikle güncellemelere istatistiksel gürültü eklemek için entegre edilir ve böylece tek bir kullanıcının katkısının tersine mühendislikle çözülemeyeceği garanti edilir.

Ultralytics gibi araçlar, çeşitli ortamlarda eğitim modellerinin karmaşıklığını yönetmeye yardımcı olmak için gelişiyor ve AI'nın geleceğinin hem güçlü hem de gizli olmasını sağlıyor. TensorFlow ve PySyft gibi yenilikçi çerçeveler, merkezi olmayan gizlilik koruyan makine öğrenimi ile mümkün olanın sınırlarını zorlamaya devam ediyor. Bu teknolojiler, AI'nın gelecekteki uygulamalarının daha geniş bir kitleye ulaşmasını ve daha fazla insan hayatına fayda sağlamasını sağlayacak.