Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Atualizado em : Oct 26, 2022
Oct 2022
Experimente ? Vale a pena ir atrás. É importante entender como desenvolver essa capacidade. As empresas devem experimentar esta tecnologia em um projeto que possa lidar com o risco.

Estamos observando atualmente projetos de clientes que usam aprendizado de máquina federado. Tradicionalmente, o treinamento de modelos de aprendizado de máquina (ML) exigia que os dados fossem colocados em um local centralizado onde o algoritmo de treinamento relevante pudesse ser executado. Do ponto de vista de privacidade, isso é problemático, especialmente quando os dados de treinamento contêm informações confidenciais ou de identificação pessoal. As pessoas usuárias podem relutar em compartilhar dados ou a legislação local de proteção de dados pode nos impedir de mover os dados para um local central. O ML federado é uma técnica descentralizada para treinamento em um grande conjunto diversificado de dados que permite que os dados permaneçam remotos, por exemplo, no dispositivo de uma pessoa usuária. A largura de banda da rede e as limitações computacionais dos dispositivos ainda apresentam desafios técnicos significativos, mas gostamos da maneira como o aprendizado de máquina federado deixa os usuários no controle de suas próprias informações pessoais.

Nov 2019
Avalie ? Vale a pena explorar com o objetivo de compreender como isso afetará sua empresa.

Treinamento de modelo geralmente requer coleta e transporte de dados de sua fonte para uma localização centralizada onde o algoritmo de treinamento é executado. Isso se torna particularmente problemático quando os dados em treinamento consistem de informações pessoalmente identificáveis. Estamos otimistas com o aparecimento do aprendizado federado como um método de treinamento que preserva a privacidade em um grande conjunto de dados relacionados a indivíduos. As técnicas de aprendizado federado permitem que os dados permaneçam no dispositivo do usuário, sob seu controle, e ainda contribuindo para um conjunto de dados de treinamento. Assim, cada dispositivo do usuário atualiza um modelo independentemente; então, os parâmetros do modelo, em vez dos dados em si, são combinados em uma visualização centralizada. Largura de banda e limitações computacionais do dispositivo apresentam desafios técnicos significativos, mas gostamos da maneira que o aprendizado federado deixa o usuário no controle de sua própria informação pessoal.

Publicado : Nov 20, 2019

Baixar o Technology Radar Volume 27

English | Español | Português | 中文

Mantenha-se por dentro das tendências de tecnologia

 

Seja assinante

Visite nosso arquivo para acessar os volumes anteriores