Federated Learning

Federeli öğrenme, birden fazla cihazın ham eğitim verilerini paylaşmadan ortaklaşa bir modeli eğitmesine olanak tanıyan merkeziyetsiz bir makine öğrenimi tekniğidir. Verilerin tek bir data lake veya sunucuda toplandığı geleneksel merkezi yöntemlerin aksine, federeli öğrenme modeli verinin ayağına götürür. Bu yaklaşım, data privacy ve güvenliği ele alma biçimimizi kökten değiştirerek kuruluşların akıllı telefonlarda, IoT cihazlarında veya özel sunucularda bulunan hassas bilgileri kullanmasını sağlarken verilerin asla orijinal kaynağından çıkmamasını garanti eder.

Federated Süreç Nasıl Çalışır#

Federeli öğrenmenin çekirdek mekanizması, merkezi bir sunucu ile katılan istemci cihazlar arasındaki yinelemeli bir iletişim döngüsünü içerir. Bu süreç, kullanıcı anonimliğinden ödün vermeden küresel bir neural network ağının sürekli olarak iyileştirilmesine olanak tanır.

1. Küresel Model Başlatma: Merkezi bir sunucu genel bir foundation model başlatır ve bunu uygun istemci cihazlardan oluşan seçilmiş bir gruba yayınlar.

2. Yerel Eğitim: Her istemci kendi yerel, özel veri setini kullanarak bağımsız olarak model training gerçekleştirir. Bu, cihaz üzerinde güncellemeleri hesaplamak için Edge AI yeteneklerinden yararlanır.

3. Güncelleme Birleştirme: Ham görselleri veya metinleri yüklemek yerine istemciler, yalnızca model güncellemelerini —özellikle hesaplanan gradyanları veya model weights— merkezi sunucuya geri gönderir.

4. Küresel İyileştirme: Sunucu, bu çeşitli güncellemeleri yeni, üstün bir küresel modelde birleştirmek için Federated Averaging (FedAvg) gibi algoritmalar kullanır.

5. Yineleme: İyileştirilen model istemcilere geri gönderilir ve sistem istenen accuracy değerine ulaşana kadar döngü tekrarlanır.

Federated Learning ile Distributed Training Karşılaştırması#

Farklı mühendislik problemlerini çözdükleri için federated learning ile benzer eğitim paradigmalarını birbirinden ayırmak önemlidir.

• Distributed Training: Bu genellikle, devasa ve merkezi bir veri setinin hesaplamayı hızlandırmak için birden fazla GPUs üzerine bölündüğü, tek bir veri merkezi gibi kontrollü bir ortamda gerçekleşir. Birincil amaç işlem hızısıdır ve düğümler yüksek bant genişliğine sahip bağlantılarla birbirine bağlanır.
• Federated Learning: Bu, farklı pil ömürlerine ve ağ bağlantılarına sahip heterojen cihazların (cep telefonları gibi) bulunduğu kontrolsüz bir ortamda çalışır. Birincil amaç, saf hızdan ziyade gizlilik ve veri erişimidir.

Gerçek Dünya Uygulamaları#

Merkeziyetsiz veriler üzerinde eğitim yapabilme yeteneği, katı düzenleyici uyumluluğa bağlı endüstriler için yeni kapılar açtı.

• AI in Healthcare: Hastaneler, hasta kayıtlarını paylaşmadan medical image analysis kullanarak güçlü tümör tespiti modellerini eğitmek için iş birliği yapabilir. Bu, kurumların HIPAA regulations standartlarına uymasını sağlarken daha büyük bir veri setinden faydalanmasına olanak tanır.
• Tahmini Klavyeler: Mobil işletim sistemleri, sonraki kelime tahminini ve natural language processing (NLP) geliştirmek için federeli öğrenmeyi kullanır. Telefon, yazma kalıplarından yerel olarak öğrenerek özel mesajları buluta iletmeden kullanıcı deneyimini iyileştirir.
• AI in Automotive: Otonom araç filoları, yerel yol koşullarından ve sürücü müdahalelerinden öğrenebilir. Bu içgörüler, merkezi bir sunucuya terabaytlarca ham video akışı yüklemeden filonun otonom sürüş yeteneklerini güncellemek için birleştirilir.

Kod Örneği: Yerel İstemci Güncellemesini Simüle Etme#

Federeli bir iş akışında istemcinin görevi, küresel modeli küçük ve yerel bir veri seti üzerinde ince ayar yapmaktır. Aşağıdaki Python kodu, bir istemcinin son teknoloji YOLO26 model kullanarak yerel eğitimin bir turunu nasıl gerçekleştirebileceğini göstermektedir.

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#

Federeli öğrenmenin birincil avantajı tasarım gereği gizliliktir (privacy-by-design). Geliştiricilerin GDPR gibi gizlilik yasaları nedeniyle aksi takdirde erişilemeyecek synthetic data veya gerçek dünya uç durumları üzerinde eğitim yapmasına olanak tanır. Dahası, yüksek çözünürlüklü video veya görsel verileri yerelde kaldığı için ağ bant genişliği maliyetlerini düşürür.

Bununla birlikte, özellikle sistem heterojenliği (farklı cihazların farklı işlem gücüne sahip olması) ve adversarial attacks karşı güvenlik konusunda zorluklar devam etmektedir. Kötü niyetli istemciler, teorik olarak küresel modeli bozmak için "zehirlenmiş" güncellemeler gönderebilir. Bunu hafifletmek için, güncellemelere istatistiksel gürültü eklemek ve hiçbir tek kullanıcının katkısının tersine mühendislikle elde edilememesini sağlamak üzere genellikle differential privacy gibi gelişmiş teknikler entegre edilir.

Ultralytics Platform gibi araçlar, çeşitli ortamlardaki modelleri eğitme karmaşıklığını yönetmeye yardımcı olmak, yapay zekanın geleceğinin hem güçlü hem de gizli olmasını sağlamak için gelişiyor. TensorFlow Federated ve PySyft gibi yenilikçi çerçeveler, merkeziyetsiz gizliliği koruyan makine öğrenimi ile mümkün olanın sınırlarını zorlamaya devam ediyor.