Що таке federated learning?
Federated learning (федеративне навчання) - це парадигма тренування моделей машинного навчання, при якій дані ніколи не покидають пристроїв чи серверів, на яких вони знаходяться. Замість збирання даних в одному місці, модель відправляється до даних - тренується локально на кожному вузлі, а відправляються лише оновлення ваг (градієнти) до центрального сервера та агрегуються.
Як працює процес?
Центральний сервер розподіляє поточну модель серед учасників (наприклад, лікарень, філій компанії). Кожен учасник тренує модель на своїх локальних даних і відправляє лише оновлені ваги. Сервер агрегує оновлення (наприклад, алгоритмом FedAvg) і створює покращену версію глобальної моделі. Процес повторюється ітеративно. Додаткові техніки, такі як безпечна агрегація (secure aggregation) і диференційна приватність (differential privacy), забезпечують, що з градієнтів не можна відновити оригінальні дані.
Значення для підприємств
Federated learning вирішує ключову корпоративну проблему: як тренувати моделі AI на чутливих даних без порушення GDPR та галузевих регуляцій. Він особливо цінний у медичній, фінансовій та юридичній сферах, де дані не можуть покидати організації. Це дозволяє співпрацювати між суб'єктами при збереженні повного контролю над своїми даними.