联合学习

什么是联合学习？

联合学习至关重要，因为组织通常需要更多数据来改进 AI 模型，但由于隐私、安全性、合规性、数据主权或运维等方面的限制，他们无法始终集中这些数据。

这对于医疗保健、金融服务、电信、政府、制造业和研究等行业尤为重要。这些组织可能拥有分布在各个地点、业务部门、设备、合作伙伴或地区的宝贵数据。联合学习可以帮助他们基于 AI 进行协作，同时更好地控制数据保留位置。

联合学习还可以支持边缘 AI。当设备、传感器、机器或移动应用创建数据时，本地训练可以减少将大量原始数据发送回中央系统的需求。

联合学习的工作原理是将模型发送到多个参与系统，在本地训练该模型，然后将模型更新整合到改进的共享模型中。

典型的联合学习流程包括：

• 使用中央系统或协调层来创建初始模型。
• 参与计划的客户端、设备、服务器或组织基于本地数据训练模型。
• 每个参与方都会发送回模型更新（而非完整的原始数据集）进行聚合。
• 这些更新将整合到新的全局或共享模型中。
• 然后重新分发改进后的模型，并重复此过程，直至模型达到所需的性能。

在某些联合学习方法中，会使用中央服务器来协调聚合。而在更分散的方法中，参与方可在不依赖单个中央聚合器的情况下交换模型更新。

分布式学习通常涉及扩展计算。联合学习通常指在不集中数据的情况下从分布式数据中学习。

联合学习支持边缘 AI，允许模型从在边缘或附近创建的数据中学习。组织可以在本地训练模型并共享模型更新，而不是将每一传感器读取数据、图像、日志或设备交互数据移动到中央系统。

这对于制造工厂、医疗设备、零售点、电信网络、移动应用和联网车辆非常有用。这些环境中的数据可能是敏感的、大型的、低延迟的或者迁移成本昂贵。

联合学习可以帮助边缘 AI 系统随着时间的推移进行改进，同时减少数据传输需求，并使更多数据保留在靠近创建位置的地方。

组织应根据数据敏感度、用例复杂性、安全要求、基础设施环境和运营成熟度选择联合学习解决方案。

重要因素包括：

• 支持跨站点、设备、云或边缘环境的分布式培训。
• 隐私和安全功能，如加密、安全聚合、访问控制和审计日志记录。
• 与现有 AI、数据、云、安全和基础设施平台集成。
• 支持治理、监控、模型验证和合规性报告。
• 能够跨参与方进行扩展，同时保持性能和可靠性。

正确的解决方案应有助于团队协调分布式 AI 训练，而不会产生不必要的风险、运营复杂性或数据迁移。

联合学习可以帮助组织改进 AI 模型，同时减少将敏感或监管数据集中起来的需求。

常见优势包括：

• 提高数据隐私性，因为原始数据可以保留在更靠近其来源的地方。
• 改善对跨团队、站点、设备或组织的分布式数据的访问。
• 支持跨多个受监管或隐私敏感型环境间的协作。
• 减少数据迁移，从而减少带宽、延迟和数据传输问题。
• 更适合边缘 AI、移动 AI、医疗保健、金融服务和主权数据用例。

最大的好处是，联合学习可以在直接数据共享困难、受限或存在风险时实现 AI 协作。