اكتشف التعلم الموحد: وهو نهج للذكاء الاصطناعي يركز على الخصوصية ويتيح تدريب النماذج اللامركزية عبر الأجهزة دون مشاركة البيانات الأولية.
التعلم الاتحادي هو نهج لا مركزي في التعلم الآلي التعلّم الآلي (ML) الذي يمكّن العديد من الأجهزة من تدريب نموذج تنبؤ مشترك بشكل تعاوني دون نقل بيانات التدريب من مصدرها الأصلي. على عكس الأساليب التقليدية التي تتطلب تجميع البيانات في بحيرة بيانات مركزية أو خادم سحابي مركزي، فإن التعلّم الموحّد يجلب النموذج النموذج إلى البيانات. تعالج هذه النقلة النوعية التحديات الحرجة المتعلقة ب خصوصية البيانات وأمانها، مما يجعل من الممكن بناء أنظمة قوية مع الاحتفاظ بمعلومات المستخدم الحساسة بشكل صارم على الأجهزة المحلية، مثل الهواتف الذكية أو مستشعرات إنترنت الأشياء أو خوادم المستشفيات.
تعتمد العملية على دورة متكررة من الاتصال بين خادم مركزي وأجهزة العميل المشاركة. وهي تتبع عموماً هذه الخطوات المميزة:
لقد انتقل التعلم الموحد من مرحلة البحث النظري إلى النشر العملي في الصناعات التي تكون فيها حساسية البيانات ذات أهمية قصوى.
في حين أن كلا المفهومين يتضمنان أجهزة متعددة، إلا أنهما يختلفان اختلافاً جوهرياً في إدارة البيانات وبيئة الشبكة.
في الإعداد الموحد، يتمثل دور العميل في ضبط النموذج العام على البيانات المحلية. يوضح مقتطف Python التالي التالي يوضح كيف يمكن للعميل إجراء جولة واحدة من التدريب المحلي باستخدام Ultralytics YOLO11 قبل أن يتم استخراج الأوزان المستخرجة للتجميع.
from ultralytics import YOLO
# Load the global model received from the central server
# In a real scenario, this 'yolo11n.pt' comes from the aggregator
model = YOLO("yolo11n.pt")
# Perform local training on the client's private dataset
# 'epochs=1' simulates a single round of local computation
results = model.train(data="coco8.yaml", epochs=1, imgsz=640)
# After training, the updated model weights are saved
# These weights are what the client sends back to the server
print("Local training complete. Update ready for transmission.")
الميزة الأساسية للتعلم الموحد هي الخصوصية حسب التصميم. فهو يتيح استخدام البيانات الاصطناعية أو البيانات الخاصة في العالم الحقيقي التي من شأنها أن لا يمكن الوصول إليها بسبب قيود قانونية أو أخلاقية. بالإضافة إلى ذلك، فهو يقلل من استهلاك النطاق الترددي للشبكة حيث لا يتم نقل مجموعات البيانات الكبيرة.
ومع ذلك، لا تزال التحديات قائمة. عدم تجانس النظام يعني أن النماذج يجب أن تعمل على أجهزة ذات من الخوادم القوية إلى أجهزة استشعار إنترنت الأشياء ذات الطاقة الحاسوبية المتفاوتة. هناك أيضًا خطر الهجمات العدائيةحيث يمكن للعملاء الخبيثين إرسال تحديثات مسمومة لإفساد النموذج العالمي. للتخفيف من ذلك، يستخدم الباحثون يستخدمون تقنيات الخصوصية التفاضلية لإضافة ضوضاء للتحديثات، مما يضمن عدم إمكانية إجراء هندسة عكسية لبيانات مستخدم واحد.
تساعد أطر العمل مثل TensorFlow Federated و PySyft تساعد المطورين حاليًا على تنفيذ هذه الأطر المعقدة المعقدة. مع استمرار تطور الرؤية الحاسوبية في التطور، سيلعب التعلم الموحد دورًا حاسمًا في نشر الأنظمة الذكية التي تحترم خصوصية المستخدم مع مع تقديم نتائج عالية الأداء.
