Technique lisse le cours pour former l’IA
Technique lisse le cours pour former l’IA dans les appareils sans fil.
L’apprentissage fédéré est un excellent outil pour former des systèmes d’intelligence artificielle (IA) tout en protégeant la confidentialité des données, mais la quantité de trafic de données concernées l’a rendu difficile à manier pour les systèmes qui utilisent des appareils sans fil. Une nouvelle technique utilise la compression pour réduire considérablement la taille des transmissions de données, accordant des capacités supplémentaires pour l’ancien IA sur les technologies sans fil.
L’apprentissage fédéré est une sorte d’apprentissage automatique impliquant plusieurs appareils, appelés clients. Chaque client est formé à l’aide de données différentes et crée son propre modèle pour exécuter une tâche particulière. Les clients envoient ensuite leurs modèles à un serveur centralisé. Le serveur centralisé utilise chacun de ces modèles pour produire un modèle hybride, qui fonctionne bien mieux que n’importe lequel des autres modèles pris isolément. Le serveur central renvoie ensuite ce modèle hybride à chaque client. L’ensemble du processus se réplique ensuite, chaque itération entraînant des mises à jour du modèle qui entraîne inévitablement les performances du système.
“L’un des avantages de l’apprentissage fédéré est qu’il peut permettre au système global d’IA d’améliorer ses performances sans mettre en danger la confidentialité des données utilisées pour former le système”, déclare Chau-Wai Wong, co -auteur d’un article sur une toute nouvelle technique et professeur adjoint de génie électrique et informatique à la North Carolina State University. “Par exemple, vous pouvez utiliser les données privilégiées des patients de plusieurs hôpitaux afin d’améliorer les outils de diagnostic de l’IA, sans que les hôpitaux aient accès aux données sur les patients des autres.”
Avantages de la formation à l’IA dans les appareils sans fil
De nombreuses tâches pourraient s’accélérer en s’appuyant sur les données enregistrées sur les appareils personnels des utilisateurs. Tels que les smartphones. Et, l’apprentissage fédéré serait une méthode pour utiliser ces données sans mettre en danger la vie privée de possible. Néanmoins, il y a une pierre d’achoppement. L’apprentissage fédéré nécessite beaucoup de communication entre les clients et le serveur central tout au long de la formation. Car ils envoient des mises à jour de modèles dans les deux sens. Dans les zones où la bande passante se limite. Ou où il y a une quantité importante de trafic de données. La communication entre les clients et le serveur centralisé peut obstruer les connexions sans fil. Ce qui ralentit le processus.
“Nous essayons de penser à un moyen d’accélérer la communication sans fil pour l’apprentissage fédéré. Et, nous nous sommes inspirés des décennies de travail faites sur la compression de clips vidéo pour créer un meilleur moyen de compresser les données”. Explique Wong .
Technique lisse le cours pour former l’IA: La valeur de l’apprentissage fédéré
Les chercheurs ont créé une technique qui permet aux clients de compresser les données directement dans des paquets de taille beaucoup plus petite. Les paquets se condensent avant de s’envoyer, puis reconstruits par le serveur centralisé. Le processus se mit ainsi en œuvre par une série d’algorithmes développés par le groupe d’étude de recherche. Grâce à cette technique, les chercheurs ont pu condenser jusqu’à 99 % la quantité de données sans fil envoyées par les clients. Les données envoyées du serveur aux clients ne sont pas compressées.
« Notre méthode rend alors l’apprentissage fédéré viable pour les appareils sans fil où la bande passante disponible se limite ». Déclare Kai Yue, auteur principal de l’article et titulaire d’un doctorat. Étudiant à NC State. “Par exemple, peut s’utiliser pour améliorer les performances de nombreux programmes d’IA qui s’interfacent avec les utilisateurs, tels que les assistants virtuels à commande vocale.”
L’article, “Communication-Efficient Federated Learning through Predictive Coding”, est donc publié dans l’IEEE Journal of Selected Topics in Signal Processing. L’article a été coécrit par Huaiyu Dai, professeur de génie électrique et informatique à NC State. Et par Richeng Jin, chercheur postdoctoral à NC State.
Lisez l’article original sur Tech Xplore.
Connexe “La science simplifiée ?”
