Model federativního strojového učení

Když počítačové systémy pracují ve federativním módu, znamená to, že existuje více současně běžících na sobě nezávislých složek, které si v případě potřeby jen předávají data. Zvykli jsme si postupně na to, že takto funguje většina současných cloudových aplikací. Lokálně běží prohlížeč, v jehož rámci funguje aplikace, která pracuje s daty umístěnými na vzdáleném serveru. Ta skutečnost, že jsou všechna data na jednom centralizovaném místě, má své výhody i nevýhody.

Výhodou je např. to, že lze všechna „velká“ data analyzovat a výsledky této analýzy používat při rozhodování. Velmi důležitá je existence velkých dat při nasazení umělé inteligence se strojovým učením, které se neobejde bez tréningu rozpoznávání všech možných existujících případů zkoumané problematiky (např. schopnost rozpoznávání obličeje musí být ověřena na obrovském množství fotografií identifikovaných lidí).

Existence centralizovaných velkých dat vyvolává velká bezpečnostní rizika. Opakovaně zjišťujeme, že jsou tato data jejich vlastníky (platformami) zneužívána proti vůli uživatelů (Démonologie podle Marka Pesceho). Na obzoru se však přece jen objevuje určitý postup, který vyvolává naději na řešení tohoto problému. Je jím federativní strojové učení (federated learning).

Nebudu zacházet do technických detailů. Zjednodušeně celý postup naznačuje obrázek z Wikimedie níže.

Proces federativního strojového učení (zdroj)

Aplikace využívající strojové učení se nachází na serveru a má určitou počáteční schopnost danou problematiku zkoumat. Jenže zatím ne příliš dokonalou. Proces zdokonalování probíhá tak, že zkoumá nové případy, a na nich se učí pracovat lépe. Tento proces dosud vždy probíhal na serveru s přístupem ke všem velkým datům. Jenže on může klidně fungovat i jinak. Celá aplikace se pošle na klientské uzlové počítače (mobily), kde může proběhnout tréning využívající pouze lokální data daného klienta. Nepatrně chytřejší aplikace se pak vrátí zpět na server, ale bez klientských dat, která zůstávají a jsou chráněna před zneužitím. Na serveru se takto vylepšené aplikace scházejí a na jejich základě se vygeneruje nová centrální verze, která je pak distribuovaná k dalšímu vylepšování klientům. Čím vícekrát tento proces proběhne, tím dokonalejší aplikace je (pozor, pouze za předpokladu, že analyzovaná data jsou relevantní) [1].

What is Federated Learning?

Na první pohled je zřejmé, že model federativního strojového učení najde ve školství své uplatnění. Právě ze zneužití žákovských dat, jsou-li zpracovávána na serverech soukromých společností, máme značné obavy. Určité omezení ale existuje, a musíme si ho být od počátku vědomi. Nemožnost centralizovaného hodnocení lokálních dat doslova znamená, že učitel (hodnotitel) neuvidí práci žáka jako takovou. Tam, kde se neobejdeme bez trénování aplikace pomocí lidských hodnotitelů, musí tito mít přístup k (anonymizovaným) výsledkům práce žáků. Tato data lze po jejich zpracování odstranit.

Federativní strojové učení se však dobře hodí tam, kde není lidské hodnocení při trénování třeba. Například u aplikací pracujících s analýzou tvořeného textu, při zkoumání exaktně definovaných postupů apod.

Vědci soustavně zkoumají nové možnosti využití umělé inteligence. Federativní strojové učení má určitě budoucnost. Bude zajímavé sledovat, jaký vliv bude mít na využívání vzdělávacích technologií.

Literatura a použité zdroje

DICKSON, Ben. What is federated learning? [online]. 2021. [cit. 2021-09-14]. Dostupné z: https://bdtechtalks.com/2021/08/09/what-is-federated-learning/.