Aprendizaje colaborativo: aprendizaje federado

El campo de la ciencia de datos ha experimentado importantes desarrollos en el lapso de los últimos 5 años. Se han presentado muchos algoritmos y muchos métodos nuevos a través de varias investigaciones en el dominio del aprendizaje automático y el aprendizaje profundo. Teniendo en cuenta la pandemia, se han producido importantes avances en estas áreas. El COVID-19 ha obligado a todos a digitalizarse y hacer su trabajo en línea. Esto implica una gran cantidad de transferencia de datos y, por lo tanto, el aumento de los nuevos desarrollos en inteligencia artificial. El aprendizaje automático ha estado en las conversaciones ya que las matemáticas detrás de los algoritmos no son tan complejas en algunos casos y algunos algoritmos tienen códigos muy pequeños que pueden ser ejecutados por la mayoría de las personas que ingresan a este dominio.  

Recientemente, en el año 2017, ha habido un desarrollo clave del concepto de aprendizaje federado. Este concepto fue acuñado por Google AI a través de su publicación de blog. Desde entonces, este método/terminología ha sido muy popular. El título de la publicación del blog fue Aprendizaje federado: aprendizaje automático colaborativo sin datos de capacitación centralizados. A través del tiempo desde entonces, ha habido más investigaciones y desarrollos sobre esto. En este artículo, simplificaremos este término y comprenderemos qué es exactamente el aprendizaje federado en términos simples y también veremos una aplicación de la vida real donde esto está realmente presente en el backend. También intentaremos hojear algunos de los beneficios de la misma. Sin embargo, hay investigaciones en curso en esta área, ya que este concepto es relativamente nuevo y tiene muchos más avances por seguir.

¿Qué es el aprendizaje federado en términos simples?

Para establecer una definición técnica, diría que el aprendizaje federado es ayudar a aprender un modelo de predicción compartido mientras se mantienen todos los datos de entrenamiento en el dispositivo (teléfono móvil aquí específicamente). Este concepto se basa puramente en Machine Learning. Para ser más específicos, atiende a dispositivos móviles. Sabemos que para realizar el modelado a través de un algoritmo de aprendizaje automático, necesitamos una cantidad suficiente de datos para obtener la precisión de predicción correcta y luego implementarla en producción. El aprendizaje federado es un concepto que elimina el problema del almacenamiento de grandes datos de entrenamiento. Los datos se almacenan en múltiples ubicaciones. Estas ubicaciones no son más que nuestros dispositivos.  

Entonces, entendámoslo de una manera más detallada:

• Paso 1: El dispositivo en particular descargará el modelo actual.
• Paso 2: Se agregarán los datos en el móvil y el modelo realizará mejoras.
• Paso 3: Los cambios del modelo se resumen como una actualización y se comunican a la nube. Esta comunicación está encriptada.
• Paso 4: en la nube, llegan muchas actualizaciones de varios usuarios. Todas estas actualizaciones se agregan y se construye el modelo final.

Entonces, no hay una gran cantidad de datos que se cargan en la nube y luego se entrena un modelo. En cambio, aquí los datos entrenados residen dentro de su propio teléfono inteligente/dispositivo móvil.  

Aplicación en la vida real del aprendizaje federado:

Entonces todos están familiarizados con el teclado de Google. ¿Cómo nos da sugerencias precisas cuando estamos buscando? Entonces, tomemos un ejemplo. Quieres comer una pizza y buscas un buen restaurante. Conoces 2-3 restaurantes. Entonces, cuando busca esos, sus nombres se capturan y guardan en el backend. El aprendizaje federado entra en juego en este punto. Toma sus datos que están presentes en la historia. Después de eso, se siguen los pasos antes mencionados en orden cronológico.

Beneficios del aprendizaje federado:

1. Menos consumo de energía
2. Garantiza la privacidad
3. No interfiere con el rendimiento del dispositivo.

Entonces, cuando el dispositivo está inactivo, este sistema de aprendizaje federado se pone en marcha. Es el mejor momento ya que hay una mínima interacción del usuario con el dispositivo y además el rendimiento del teléfono no se ve afectado.

Conclusión:

El aprendizaje federado no es una solución integral para todos los problemas de aprendizaje automático existentes. Hay investigaciones en curso en esta área. Este método presentado en la comunidad de aprendizaje automático ha traído un tipo diferente de revolución en la ciencia de datos.  

Referencias: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html