Federated Learning

Birleşik öğrenme, birden fazla cihazın ham eğitim verilerini paylaşmadan bir modeli birlikte eğitmesine olanak tanıyan merkeziyetsiz bir makine öğrenimi tekniğidir. Verilerin tek bir veri gölü veya sunucuda toplandığı geleneksel merkezi yöntemlerin aksine, birleşik öğrenme modeli veriye götürür. Bu yaklaşım, veri gizliliği ve güvenlik konusunu ele alma biçimimizi kökten değiştirerek kuruluşların akıllı telefonlarda, IoT cihazlarında veya özel sunucularda bulunan hassas bilgilerden yararlanmasını ve verilerin hiçbir zaman özgün kaynağından ayrılmamasını sağlar.

Birleşik Sürecin İşleyişi#

Birleşik öğrenmenin temel mekanizması, merkezi bir sunucu ile katılımcı istemci cihazları arasındaki yinelenen iletişim döngüsünü içerir. Bu süreç, kullanıcı anonimliği tehlikeye atılmadan küresel bir sinir ağının sürekli iyileştirilmesini sağlar.

1. Küresel Model Başlatma: Merkezi bir sunucu, genel amaçlı bir temel modeli başlatır ve bu modeli uygun istemci cihazlarından seçilen bir gruba yayınlar.

2. Yerel Eğitim: Her istemci, kendi yerel ve özel veri kümesini kullanarak model eğitimini bağımsız olarak gerçekleştirir. Bu işlem, güncellemeleri cihaz üzerinde hesaplamak için Edge AI özelliklerinden yararlanır.

3. Güncellemelerin Birleştirilmesi: İstemciler ham görüntüleri veya metinleri yüklemek yerine yalnızca model güncellemelerini, özellikle hesaplanan gradyanları veya model ağırlıklarını merkezi sunucuya geri gönderir.

4. Küresel İyileştirme: Sunucu, bu çeşitli güncellemeleri yeni ve daha iyi bir küresel modelde birleştirmek için Birleşik Ortalama (FedAvg) gibi algoritmaları kullanır.

5. Yineleme: İyileştirilmiş model istemcilere geri gönderilir ve sistem istenen doğruluğa ulaşana kadar döngü tekrarlanır.

Birleşik Öğrenme ve Dağıtık Eğitim Karşılaştırması#

Farklı mühendislik sorunlarını çözdükleri için birleşik öğrenmeyi benzer eğitim paradigmalarından ayırt etmek önemlidir.

• Dağıtık Eğitim: Bu işlem genellikle tek bir veri merkezi gibi kontrollü bir ortamda gerçekleşir. Burada devasa, merkezi bir veri kümesi, hesaplamayı hızlandırmak için birden fazla GPU'ya bölünür. Birincil hedef işlem hızıdır ve düğümler yüksek bant genişlikli bağlantılarla birbirine bağlanır.
• Birleşik Öğrenme: Bu yöntem, pil ömrü ve ağ bağlantıları değişkenlik gösteren heterojen cihazların (mobil telefonlar gibi) bulunduğu kontrolsüz bir ortamda çalışır. Birincil hedef ham hız değil, gizlilik ve verilere erişimdir.

Gerçek Dünya Uygulamaları#

Merkeziyetsiz veriler üzerinde eğitim yapabilme olanağı, katı mevzuat uyumluluğu gerektiren sektörler için yeni fırsatlar yaratmıştır.

• Sağlık Hizmetlerinde AI: Hastaneler, hasta kayıtlarını paylaşmadan tıbbi görüntü analizi kullanarak güçlü tümör tespit modelleri eğitmek için iş birliği yapabilir. Bu, kurumların HIPAA düzenlemelerine uyarken daha büyük bir veri kümesinden yararlanmasını sağlar.
• Öngörücü Klavyeler: Mobil işletim sistemleri, sonraki kelime tahminini ve doğal dil işlemeyi (NLP) iyileştirmek için birleşik öğrenmeyi kullanır. Telefon, yazma kalıplarını yerel olarak öğrenerek özel mesajları buluta aktarmadan kullanıcı deneyimini iyileştirir.
• Otomotivde AI: Otonom araç filoları yerel yol koşullarından ve sürücü müdahalelerinden öğrenebilir. Bu bilgiler, terabaytlarca ham video akışını merkezi bir sunucuya yüklemeden filonun kendi kendine sürüş özelliklerini güncellemek için birleştirilir.

Kod Örneği: Yerel İstemci Güncellemesini Simüle Etme#

Birleşik öğrenme iş akışında istemcinin görevi, küçük ve yerel bir veri kümesi üzerinde küresel modelde ince ayar yapmaktır. Aşağıdaki Python kodu, bir istemcinin en gelişmiş YOLO26 modelini kullanarak bir tur yerel eğitimi nasıl gerçekleştirebileceğini 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 birincil avantajı tasarım gereği gizlilik sağlamasıdır. Geliştiricilerin, aksi takdirde gizlilik yasaları nedeniyle erişilemeyecek sentetik veriler veya gerçek dünyadaki uç durumlar üzerinde eğitim yapmasına olanak tanır; buna GDPR gibi yasalar dahildir. Ayrıca yüksek çözünürlüklü video veya görüntü verileri yerel kaldığından ağ bant genişliği maliyetlerini azaltır.

Bununla birlikte, özellikle sistem heterojenliği (farklı cihazların farklı işlem gücüne sahip olması) ve düşmanca saldırılara karşı güvenlik konusunda zorluklar devam etmektedir. Kötü amaçlı istemciler, küresel modeli bozmak için teorik olarak "zehirlenmiş" güncellemeler gönderebilir. Bunu azaltmak için güncellemelere istatistiksel gürültü ekleyen ve tek bir kullanıcının katkısının geriye dönük olarak çıkarılamamasını sağlayan diferansiyel gizlilik gibi gelişmiş teknikler sıklıkla entegre edilir.

Ultralytics Platformu gibi araçlar, farklı ortamlarda model eğitiminin karmaşıklığını yönetmeye yardımcı olacak şekilde gelişmektedir. Böylece AI'ın geleceğinin hem güçlü hem de gizli kalması sağlanır. TensorFlow Federated ve PySyft gibi yenilikçi çerçeveler, merkeziyetsiz ve gizliliği koruyan makine öğrenimiyle mümkün olanların sınırlarını zorlamaya devam etmektedir.