انقلابی در هوش مصنوعی با یادگیری فدراسیونی

پیش از شروع مطالعه درباره یادگیری فدراسیونی خوب است بدانید که سال گذشته، شاهد اتفاق شگفت‌انگیزی در حوزه علم نجوم بودیم که درطی آن، نخستین عکس از یک سیاه‌چاله فضایی گرفته شد. شاید کمتر کسی به موضوع توجه کرده باشد، اما آیا می‌دانستید که این سیاه چاله در فاصله بیش از ۵۰ میلیون سال نوری زمین قرار دارد؟ این فاصله آنقدر زیاد است که دانشمندان برای تهیه چنین عکسی، به تلسکوپی به اندازه کره زمین نیاز دارند! حال از آنجایی که ساخت چنین تلسکوپی تقریبا غیرممکن بود، دانشمندان شبکه‌ای از تلسکوپ‌ها را در سراسر جهان به کار گرفتند و به این ترتیب، تلسکوپ افق رویداد ساخته شد؛ یک تلسکوپ محاسباتی بزرگ با روزنه‌ای به قطر کل زمین.

این مثالی عالی از محاسبه غیرمتمرکز است که قدرت یادگیری غیرمتمرکز و پتانسیل آن برای استفاده در حوزه‌های دیگر را نشان می‌دهد. براساس همین اصول، چارچوب جدیدی در هوش مصنوعی ایجاد شده است که می‌تواند با میلیون‌ها وسیله مختلف اقدام به محاسبه کرده و آن نتایج را با هم ادغام کند، که این موضوع منجر به ارائه پیش‌بینی‌های دقیق‌تر و ارتقای تجربه کاربران خواهد شد. به عصر یادگیری ماشین فدراسیونی (غیرمتمرکز  decentralised) خوش آمدید.

یادگیری ماشین فدراسیونی (غیرمتمرکز) چیست؟

پیش از اینکه به جزئیات یادگیری ماشین غیرمتمرکز بپردازیم، لازم است در ابتدا ببینیم یادگیری ماشین سنتی یا متمرکز چیست و چه ویژگی‌هایی دارد. با وجود میلیون‌ها دستگاه تلفن همراه در سراسر دنیا، عصر حاضر به عنوان عصر قدرت عظیم محاسباتی شناخته می‌شود. اختراع قدرت محاسباتی ارزان، این فرصت را برایمان فراهم کرده تا تلفن‌های همراه‌مان ظرفیت سخت‌افزاری برابری با لپ‌تاپ داشته باشند. دیری نخواهد پایید که گوشی‌های تلفن همراه به واحدهای پردازش گرافیکی(GPU)  Graphical Processing Units  مجهز و از قابلیت آموزش آسان شبکه‌های عصبی عمیق برخوردار شوند.

تقریباً تمامی مردم جهان دارای تلفن همراه هستند و این عامل باعث افزایش عظیم حجم داده‌ها شده است، چیزی که تاکنون مشابه‌ آن را ندیده‌ایم. حال با افزایش چشمگیر تولید داده‌های مختلف، درهای تازه‌ای برای ارائه مدل‌های یادگیری ماشین دقیق‌تر و شخصی‌تر گشوده شده است؛ مدل‌هایی که می‌توانند تجارب کاربران را ارتقاء بخشیده و در امر تصمیم‌گیری به آنها کمک کنند. هدف اصلی، یادگیری ماشین متمرکز، ساخت الگوریتم با استفاده از داده‌های آموزشی داده است تا بتواند الگوهای مختلف را شناسایی کند. بعد از آن، ماشین از این الگوریتم‌ها برای یادگیری چنین الگوها و شناساییِ آنها در حجم‌های داده‌ای بزرگتر استفاده می‌کند.

[irp posts=”۲۴۶۵۴″]

حالا بیایید جزئیات کار را بررسی کنیم. این فرایند شامل ۵ مرحله است:

• شناسایی مسئله
• آماده‌سازی داده برای حل مسئله
• آموزش دادنِ الگوریتم یادگیری ماشین در ماشین یا سرور متمرکز
• ارسال مدل آموزش‌دیده به سیستم کاربران
• آغاز پیش‌بینی نتیجه در داده‌های مشاهده نشده

بنابراین روش مورد استفاده برای آموزش مدل در دنیای یادگیری ماشین فعلی، به صورت متمرکز است. آموزش متمرکز مستلزم این است که داده‌ها در یک نقطه مرکزی یا سرور داده ذخیره شوند که در نتیجه آن، دسترسی محدود شده و نگرانی‌های فدراسیونییتی افزایش می‌یابد. آیا تابحال به این مسئله فکر کرده‌اید که چرا «گوگل مپ» مسیرهای مختلفی را در زمان مناسب پیشنهاد می‌کند؟ جواب این پرسش سه کلمه است: Real-Time Computation (محاسبه بلادرنگ). گوگل، داده‌ها را از صدها وسیله نقلیه‌ای که احتمالاً از مسیر حرکت شما عبور کرده‌اند، جمع‌آوری می‌کند؛ بهترین مسیری که مورد انتخاب عده کثیری بوده برمی‌گزیند و این اطلاعات را در اختیار کاربرانش قرار می‌دهد. این داده‌ها زندگی ما را آسان‌تر کرده است.

محدودیت‌های یادگیری متمرکز

 

اما این قابلیت‌های شگفت‌انگیز هزینه‌هایی به همراه دارند که اکثر افراد حتی متوجه آنها نمی‌شوند. ذخیره‌سازی داده‌ها در سرور مرکزی نه تنها منجر به نقض حریم خصوصی کاربران شده، بلکه خطرِ انتشار داده‌های شخصی را نیز افزایش می‌دهد. در اکثر مواقع، داده‌های کاربران در فضای ابری که تحت مالکیت شرکت‌های بزرگ است ذخیره می‌شود، درحالی که کاربران از این مسئله اطلاع ندارند. در واقع روند به این صورت است که کاربران با ارائه دسترسی به حریم خصوصی‌شان به نرم‌افزارهای بهتر و شخصی‌تری دست پیدا می‌کنند. دولت‌ها در کشورهای مختلف در خصوص نقض حریم خصوصی افراد توسط این نرم‌افزارها ابراز نگرانی کرده‌ و تمهیدات سخت‌گیرانه‌ای را برای تضمین حریم خصوصی داده‌ها در نظر گرفته‌اند. از جمله این تمهیدات می‌توان به HIPAA (قانون مسئولیت‌پذیری و انتقال بیمه سلامت) در بخش مراقبت‌های پزشکی و GDPR (قانون محافظت از داده‌ها) اشاره کرد؛ قوانینی که دسترسی سازمان‌ها به داده‌های کاربران را محدود می‌کند.

پس سازمان‌هایی که از داده‌های شخصی سودجویی می‌کنند، چه کار کرده و چه اهدافی را دنبال می‌کنند؟ امروزه، شرکت‌های نوظهور و شرکت‌های بزرگ در ساخت نرم‌افزارهایی که بتواند نتایج شخصی‌تری برای کاربران عرضه کند، با چالش‌های فراوانی روبرو هستند. درحال حاضر همه نرم‌افزارهای یادگیری ماشین بر اساس این منطق ساده‌ کار می‌کنند: هرچقدر داده‌های بیشتری در اختیار آنها قرار دهید، نتایج بهتر و شخصی‌تری به دست می‌آورید. اگر فرآیند آموزش بر پایه داده‌های بیشتر انجام نگیرد، معمولاً نتایج ضعیف و غیرشخصی به دست می‌آید. به همین خاطر، نرم‌افزارهای جدید سازگاری کمتری با فضای کاربران کسب می‌کنند؛ هرچند انتظار می‌رود که یادگیری فدراسیونی یا غیرمتمرکز بتواند به کاربران و سازمان‌ها کمک کند تا این چالش بزرگ را از پیش رو بردارند.

به پرسش اصلی برگردیم:

یادگیری فدراسیونی یا غیرمتمرکز چیست و چه ویژگی‌هایی دارد؟

یادگیری غیرمتمرکز شاخه جدیدی در هوش مصنوعی است که زمینه را برای پیدایش عصر جدیدی از یادگیری ماشین مهیا کرده است. این نوع یادگیری می‌تواند از داده‌های غیرمتمرکز و قدرت محاسباتی غیرمتمرکز در دنیای مدرن بهره بگیرد تا تجربه شخصی‌تری را بدون نقض حریم خصوصی کاربران در اختیار آنان قرار دهد. اکنون به لطف ابزار پنهان‌نگاری هومومورفیک  homomorphic encryption، اشتراک‌گذاری اطلاعات میان کاربران و سرور بدون نقض حریم خصوصی ممکن شده است. به بیان ساده، پنهان‌نگاری هومومورفیک این فرصت را می‌دهد تا محاسبات در داده‌ها پنهان‌سازی شده و در نقطه¬ای دور از سرور انجام گیرد؛ بدون آنکه حریم خصوصی کاربران نقض شود.

[irp posts=”۴۲۰۲″]

یادگیری غیرمتمرکز چگونه کار می‌کند؟

شاید این نمودار پیچیده به نظر برسد، اما بیایید جزئیات آن را باهم بررسی کنیم. راه‌حل‌های یادگیری غیرمتمرکز، کار خود را با آموزش یک مدل یادگیری ماشین در سرور مرکزی آغاز می‌کنند؛ اگرچه این مدل شخصی‌سازی نشده، اما مبنایی برای آغاز کار به حساب می‌آید. در گام بعدی، سرور این مدل را به دستگاه‌های مورد استفادۀ کاربران ارسال می‌کند. وقتی سیستم کاربران به تولید داده می‌پردازد، مدل‌های محلی یادگیری را آغاز کرده و با گذشت زمان بهتر می‌شوند. با کمک ابزار پنهان‌نگاری هومومورفیک، یادگیری‌ کاربران به صورت دوره‌ای به سرور مرکزی ارسال می‌شود، بدون اینکه داده‌های شخصی کاربران در اختیار سرورها قرار بگیرد. سپس، سرور یادگیری‌های جدید را از کاربران جمع کرده و مدل مشترک را بهبود می‌بخشد؛ مدل مشترک جدید دوباره به سیستم کاربران فرستاده شده و همین چرخه چندین بار تکرار می‌شود. با پایان هر چرخه، مدل مشترک در سرور مرکزی بهبود یافته و شخصی‌تر می‌شود. هنرِ یادگیری از داده‌های شخصی افراد بدون به خطر افتادن حریم خصوصی آن‌ها، پتانسیل‌های فراوانی دارد و می‌تواند در آینده قابلیت‌های زیادی را فراهم کند.

آینده یادگیری غیرمتمرکز

اتومبیل‌های خودران می‌توانند از یادگیری غیرمتمرکز برای رانندگی فدراسیونی استفاده کنند. این اتومبیل‌ها برای اجتناب از افتادن داخل گودال یک مسیر از مجموعه قوانین و الگوریتم‌های از پیش تعیین شده استفاده می‌کنند، اما اگر این اتومبیل‌های خودران از اطلاعات مربوط به همه اتومبیل‌هایی که در طول یک ساعت گذشته از همان گودال عبور کردند استفاده کند، قطعاً قادر خواهد بود تصمیم بهتری بگیرند تا ایمنی و راحتی مسافر تضمین شود. در پنج سال آینده، یادگیری غیر متمرکز شاهد پیشرفت‌های شگفت انگیزی خواهد بود. در طی این مدت، نرم‌افزارهای گوناگونی با بهره‌گیری از یادگیری غیرمتمرکز روانۀ بازار شده و تجربه کاربران به قدری بهتر خواهد شد که نمونۀ آن را در گذشته ندیده‌ایم. همچنین شرکت‌های متعددی به توسعه نرم‌افزارهای یادگیری غیرمتمرکز خواهند پرداخت. در حال حاضر، شرکت گوگل سامانۀ یادگیری غیرمتمرکز خود در قالب «Tensorflow Federated» عرضه کرده است و اگرچه این قابلیت مراحل ابتدایی خود را سپری می‌کند، اما آینده خوبی در انتظار آن است.
OpenMind فعالیت‌های خود را به طور جدی در این زمینه آغاز کرده است. رویکردی که آنها در پیش گرفته‌اند از امنیت کامل داده‌ها اطمینان حاصل کرده و به کاربران برای اشتراک‌گذاری آموزه‌هایشان پاداش می‌دهد. اگر خواهان کسب اطلاعات بیشتر در این زمینه هستید، توصیه می‌کنیم از وب‌سایت این شرکت بازدید کنید.