Menempatkan pembelajaran mesin di saku Anda
Sciences

Menempatkan pembelajaran mesin di saku Anda


Kredit: Pixabay / CC0 Domain Publik

Penelitian EPFL / INRIA baru menunjukkan untuk pertama kalinya bahwa perangkat seluler kami dapat melakukan pembelajaran mesin sebagai bagian dari jaringan terdistribusi, tanpa memberi perusahaan teknologi global besar akses ke data kami.

Setiap kali kita membaca berita online atau mencari tempat makan di luar, teknologi besar mengumpulkan data perilaku kita dalam jumlah besar. Google dan Facebook, misalnya, mengatakan mereka melakukan ini untuk meningkatkan layanan dan membuat pengalaman online kami lebih personal.

Kecerdasan buatan (AI) mereka memfilter berita untuk artikel yang menurut mereka akan lebih menarik bagi Anda, menawarkan video yang mirip dengan yang telah Anda tonton sebelumnya, atau membantu Anda menemukan restoran berdasarkan yang sebelumnya Anda sukai. Di sisi lain, data ini juga digunakan untuk menargetkan iklan kepada Anda, dan dapat dibagikan dengan pihak ketiga, alasan utama mengapa masalah privasi digital begitu menonjol.

Sekarang, untuk pertama kalinya, penelitian baru dari Laboratorium Komputasi Terdistribusi dan Laboratorium Sistem Komputasi yang Dapat Diskalakan, bagian dari Sekolah Ilmu Komputer dan Komunikasi (IC) EPFL dan Institut Nasional Prancis untuk Penelitian dalam Sains dan Teknologi Digital (INRIA) telah menunjukkan bahwa pembelajaran mesin — menjalankan algoritme komputer yang meningkat secara otomatis melalui pengalaman — dapat dilakukan di perangkat seluler kami dalam waktu nyata, tanpa mengorbankan fungsinya, dan tanpa harus membagikan data kami.

Dilakukan dalam konteks laboratorium bersama EPFL / INRIA, pekerjaan ini memperkenalkan FLeet, sebuah revolusi dalam apa yang dikenal sebagai Pembelajaran Federasi — model global yang dilatih dengan pembaruan yang dihitung pada perangkat seluler sambil menjaga data pengguna tetap lokal. Federated Learning sangat menarik karena manfaat privasinya, tetapi karena ia dirancang untuk tidak memiliki pengaruh energi atau kinerja pada perangkat seluler, maka Federated Learning tidak cocok untuk aplikasi yang memerlukan pembaruan sering, seperti rekomendasi berita.

FLeet menggabungkan privasi Pembelajaran Federasi standar dengan presisi pembelajaran online berkat dua komponen inti: I-Prof, profiler ringan baru yang memprediksi dan mengontrol dampak tugas pembelajaran pada perangkat seluler, dan AdaSGD, algoritme pembelajaran adaptif baru yang tangguh terhadap pembaruan yang tertunda.

Seperti yang dijelaskan oleh salah satu penulis makalah tersebut, Profesor EPFL Rachid Guerraoui, ternyata saat ini ponsel cerdas kita memiliki data dan daya baterai untuk memungkinkan pembelajaran mesin terdistribusi berlangsung.

“Dengan FLeet, saat Anda menggunakan ponsel, Anda dapat menggunakan sebagian daya cadangannya untuk tugas pembelajaran mesin tanpa harus khawatir panggilan atau pencarian internet Anda akan terganggu. Salah satu alasannya penting, dan kami tidak ingin pembelajaran mesin hanya terjadi saat Anda tidur dan ponsel sedang diisi daya, karena terkadang kami menginginkan, dan membutuhkan, informasi waktu nyata. “

Profesor Anne-Marie Kermarrec juga seorang penulis makalah, “Apa yang telah kami tunjukkan adalah bahwa jika kita menggabungkan semua ponsel kita, mereka mulai membentuk kekuatan komputasi yang besar untuk menyamai orang-orang seperti Google dan itu memberi orang alternatif untuk mengandalkan terpusat, kuat peternakan komputer. Ini benar-benar pembelajaran kolaboratif di mana model lokal digabungkan dan berkontribusi pada model global tetapi Anda tidak membagikan data mentah dan itu melindungi privasi Anda, motivasi besar di balik pengembangan arsitektur semacam ini. “

Untuk saat ini, FLeet adalah prototipe yang menunjukkan apa yang mungkin dilakukan. Guerraoui dan Kermarrec mengatakan langkah selanjutnya adalah terus bekerja mengembangkan produk akhir yang dapat digunakan serta meneliti aspek lain dari desain FLeet, termasuk cara membuat sistem aman dari kemungkinan serangan.

“Ada tren besar saat ini untuk mencoba mengembalikan aktivitas pembelajaran mesin kepada pengguna karena, bagaimanapun juga, datanya berasal dari kami dan kami harus dapat memutuskan apa yang terjadi di perangkat kami sendiri dan dengan data kami sendiri. Model seperti FLeet akan memberi orang pilihan dengan memberikan alternatif kepada pemain teknologi besar jika mereka menginginkannya, “tutup Kermarrec.


Peneliti membuat model menggunakan teknik pembelajaran mesin untuk meningkatkan prediksi hasil COVID-19


Informasi lebih lanjut:
Georgios Damaskinos dkk. Armada kapal, Prosiding Konferensi Middleware Internasional ke-21 (2020). DOI: 10.1145 / 3423211.3425685

Disediakan oleh Ecole Polytechnique Federale de Lausanne

Kutipan: Menempatkan pembelajaran mesin di saku Anda (2021, 15 Februari) diambil pada 15 Februari 2021 dari https://techxplore.com/news/2021-02-machine-pocket.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize