Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Última actualización : Oct 26, 2022
Oct 2022
Probar ? Vale la pena intentarlo. Es importante entender cómo construir esta habilidad. Las empresas deberían implementar esta tecnología en un proyecto que pueda manejar el riesgo.

Recientemente estamos observando proyectos de clientes que usan Machine Learning federado (ML). Tradicionalmente el entrenamiento de modelos de ML ha requerido que los datos se coloquen en una ubicación centralizada donde ejecutar el correspondiente algoritmo de entrenamiento. Esto es problemático desde el punto de vista de la privacidad, especialmente cuando los datos de entrenamiento contienen información confidencial o de identificación personal. Los usuarios pueden ser reacios a compartir datos o la legislación local de protección de datos nos puede impedir moverlos a una ubicación centralizada. El ML federado es una técnica descentralizada para entrenar un conjunto grande y diverso de datos que permite que éstos permanezcan remotos, por ejemplo, en el dispositivo de un usuario. El ancho de banda de la red y las limitaciones computacionales de los dispositivos aún presentan desafíos técnicos significativos, pero nos gusta la forma en que el ML federado deja a los usuarios en control de su propia información personal.

Nov 2019
Evaluar ? Vale la pena explorarlo con el objetivo de entender cómo afectará a tu empresa.

El entrenamiento de los modelos generalmente requiere recolectar los datos desde su fuente y transportarlos a una localización centralizada donde corre el algoritmo de entrenamiento.Esto se vuelve particularmente problemático cuando los datos utilizados para el entrenamiento consisten en información personal identificable. Nos incentiva el auge del aprendizaje federado como un método de entrenamiento para diversos sets de datos que permite preservar la privacidad. Las técnicas utilizadas en el aprendizaje federado permiten que los datos permanezcan en el dispositivo del usuario y bajo su control, contribuyendo igualmente con una colección de datos para el entrenamiento de modelos. Para eso, el dispositivo actualiza un modelo independientemente; luego los parámetros del modelo, en lugar de los datos, son combinados en una vista centralizada. El ancho de banda y las limitaciones computacionales del dispositivo representan retos técnicos significativos, pero nos gusta como el aprendizaje federado deja al usuario en control de su propia información personal.

Publicado : Nov 20, 2019

Descarga el Radar Tecnológico Volumen 27

 

English | Español | Português | 中文

Mantente informada sobre Tecnología

 

Suscríbete ahora

Visita nuestro archivo para leer los volúmenes anteriores