Google ha addestrato un modello su milioni di messaggi degli utenti. Senza mai vedere un singolo messaggio. Si chiama Federated Learning. Google, Apple, Meta e ogni grande azienda tecnologica lo usano. Lasciami spiegare come funziona: Immagina di voler costruire una tastiera che prevede cosa digiteranno gli utenti dopo. I migliori dati di addestramento? Messaggi reali da milioni di telefoni. Ma non puoi raccoglierli. Sono privati, sensibili e gli utenti si ribellerebbero. Il federated learning capovolge la situazione. Invece di portare i dati al modello, porti il modello ai dati. Ecco come: "Invia il modello." Il tuo telefono scarica una piccola rete neurale. Vive localmente sul tuo dispositivo. → Questo è il modello globale W "Allena dove vivono i dati." Mentre digiti, il tuo telefono impara silenziosamente i tuoi schemi. "omw" → "arrivo in 10". Calcola come il modello dovrebbe migliorare. → Questi sono i gradienti locali ΔW "Invia indietro solo gli apprendimenti." Il tuo telefono invia aggiornamenti dei pesi al server. Non i tuoi messaggi. Non la tua cronologia di digitazione. Solo matematica. → Questo è il passo di aggregazione degli aggiornamenti "Media tra migliaia di dispositivi" Il server combina gli aggiornamenti provenienti da migliaia di telefoni. Schemi comuni si rinforzano. Le peculiarità individuali si annullano. → Questo è FedAvg: W_new = W + (1/n) × Σ(ΔWₖ) Quattro passaggi. Nessun dato grezzo lascia il tuo dispositivo. Solo coordinazione elegante (riferisciti al visual qui sotto). La parte migliore: Questo sblocca dati che prima erano impossibili da utilizzare. Gli ospedali collaborano per la rilevazione del cancro senza condividere le scansioni dei pazienti. Le banche costruiscono modelli di frode senza esporre le transazioni. Le case intelligenti apprendono le preferenze senza momenti privati che colpiscono un cloud. Privacy e utilità non sono compromessi. Rispettare i confini dei dati è ciò che rende possibile il modello. Quindi, prima di centralizzare tutto, considera: i migliori dati di addestramento potrebbero già esistere, intrappolati in dispositivi a cui non avrai mai accesso diretto. Nel prossimo tweet ho condiviso un video esplicativo davvero buono su questo.

Spiegazione del federated learning da IBM: