L’apprentissage fédéré à la périphérie peut surpasser le cloud en matière de confidentialité, de rapidité et de coût

Dans les années 2000, le nuage » a commencé à décoller. Les programmeurs et les entreprises ont commencé à se procurer des ressources de calcul virtuelles à la demande pour exécuter leurs logiciels et purposes.

Au cours des deux dernières décennies, les développeurs se sont habitués à une infrastructure disponible instantanément, gérée et entretenue par quelqu’un d’autre, et en ont dépendu. Et ce n’est pas une shock. L’abstraction du matériel et de l’infrastructure permet aux développeurs et aux entreprises de se concentrer avant tout sur l’innovation des produits et les fonctionnalités utilisateur.

Amazon Net Companies, Microsoft Azure et Google Cloud ont rendu le stockage et le calcul omniprésents, à la demande et simples à déployer. Et ces hyperscalers ont bâti des entreprises robustes et à forte marge sur cette approche. Les organisations qui dépendent du cloud ont échangé leurs dépenses d’investissement (serveurs et matériel) contre des dépenses d’exploitation (ressources de calcul et de stockage en mode paiement à l’utilisation).

Entrez dans l’apprentissage fédéré

Bien que la facilité d’utilisation du cloud soit une aubaine pour toute équipe débutante essayant d’innover à tout prix, l’structure centrée sur le cloud représente un coût de revenus necessary à mesure qu’une entreprise évolue. En fait, 50 % des revenus des grandes entreprises SaaS sont consacrés à l’infrastructure cloud.

Alors que l’apprentissage automatique (ML) proceed de gagner en popularité et en utilité, les organisations stockent une quantité croissante de données dans le cloud et forment des modèles de plus en plus grands à la recherche d’une plus grande précision du modèle et d’un plus grand avantage pour l’utilisateur. Cela exacerbe encore la dépendance à l’égard des fournisseurs de cloud et les organisations ont du mal à rapatrier les costs de travail vers des options sur website. En fait, cela les obligerait à embaucher une équipe d’infrastructure stellaire et à réorganiser complètement leurs systèmes.

Les organisations recherchent des outils qui permettent l’innovation de nouveaux produits et offrent une grande précision avec une faible latence tout en restant rentables.

Entrez dans l’apprentissage fédéré (FL) à la périphérie.

Qu’est-ce que l’apprentissage fédéré (FL) à la périphérie ?

FL, ou apprentissage collaboratif, adopte une approche différente du stockage et du calcul des données. Par exemple, alors que les approches ML populaires centrées sur le cloud envoient les données de votre téléphone vers des serveurs centralisés et agrègent ces données dans un silo, FL en périphérie preserve les données sur l’appareil (c’est-à-dire votre téléphone cellular ou votre tablette). Cela fonctionne de la manière suivante :

Étape 1: Ton périphérique périphérique (ou téléphone cellular) télécharge un modèle preliminary à partir d’un serveur FL.

Étape 2: Une formation sur l’appareil est ensuite effectuée ; les données sur l’appareil améliorent le modèle.

Étape 3: Les résultats de formation cryptés sont renvoyés au serveur pour l’amélioration du modèle tandis que les données sous-jacentes se trouvent en toute sécurité sur l’appareil de l’utilisateur.

Étape 4: Avec le modèle sur l’appareil, vous effectuez une formation et une inférence en périphérie de manière entièrement distribuée et décentralisée.

Cette boucle se poursuit de manière itérative et la précision de votre modèle augmente.

Avantages de l’apprentissage fédéré pour l’utilisateur

Lorsque vous n’êtes pas dépendant ou goulot d’étranglement par la centralisation des données, l’utilisateur en profite de manière spectaculaire. Avec FL à la périphérie, les développeurs peuvent améliorer la latence, réduire les appels réseau et améliorer l’efficacité énergétique tout en promouvant la confidentialité des utilisateurs et en améliorant la précision du modèle.

FL sur le bord est rendu doable par la capacité matérielle sans cesse croissante des téléphones dans nos poches. Chaque année, le calcul sur l’appareil et la durée de vie de la batterie s’améliorent. Au fur et à mesure que le processeur et le matériel du smartphone dans notre poche s’améliorent, les methods FL débloqueront des cas d’utilisation de plus en plus complexes et personnalisés.

Imaginez, par exemple, un logiciel qui se trouve sur votre téléphone d’une manière centrée sur la confidentialité qui peut automatiquement rédiger des réponses aux e-mails entrants avec votre ton individuel, votre model de ponctuation, votre argot et d’autres attributs hyper-personnalisés – tout ce que vous avez à faire est de cliquer sur envoyer.

L’attraction de l’entreprise est forte

Lors de mes conversations avec plusieurs entreprises du Fortune 500, il a été aveuglément évident à quel level il y a une demande pour FL à la pointe dans tous les secteurs. Les CTO expliquent remark ils ont cherché une answer pour donner vie aux methods FL à la pointe de la technologie. Les directeurs financiers font référence aux hundreds of thousands de {dollars} dépensés pour l’infrastructure et le déploiement de modèles qui pourraient autrement être économisés dans une approche FL.

À mon avis, les trois industries qui ont le plus de potentiel pour récolter les fruits de l’apprentissage fédéré sont la finance, les médias et le commerce électronique. Laissez-moi vous expliquer pourquoi.

Cas d’utilisation n° 1 : Finance : latence et sécurité améliorées

De nombreuses grandes sociétés financières multinationales (Mastercard, PayPal) sont impatientes d’adopter FL sur le bord pour les aider à identifier les prises de contrôle de compte, le blanchiment d’argent et la détection des fraudes. Des modèles plus précis sont sur l’étagère et n’ont pas été approuvés pour le lancement.

Pourquoi? Ces modèles augmentent la latence juste assez pour que l’expérience utilisateur soit affectée négativement – nous pouvons tous penser aux purposes que nous n’utilisons plus automobile elles ont mis trop de temps à s’ouvrir ou ont planté. Les entreprises ne peuvent pas se permettre de perdre des utilisateurs pour ces raisons.

Au lieu de cela, ils acceptent un taux de fake négatifs plus élevé et subissent un excès de piratage de compte, de blanchiment et de fraude. FL on the sting permet aux entreprises d’améliorer simultanément la latence tout en affichant une amélioration relative des performances du modèle par rapport aux déploiements traditionnels centrés sur le cloud.

Dans le secteur des médias, des entreprises comme Netflix et YouTube souhaitent accroître la pertinence de leurs recommendations sur les movies ou les vidéos à regarder. Le Prix ​​Netflix célèbre a attribué 1 million de {dollars} pour une amélioration de 10% des performances par rapport à son propre algorithme.

FL sur le bord a le potentiel d’offrir un affect similaire. Aujourd’hui, lorsqu’un nouveau spectacle est lancé ou qu’un événement sportif populaire est en direct (comme le Superbowl), les entreprises réduisent les signaux qu’elles recueillent auprès de leurs utilisateurs.

Sinon, le easy quantity de données (à un taux de hundreds of thousands de requêtes par seconde) provoque un goulot d’étranglement du réseau qui les empêche de recommander du contenu à grande échelle. Avec l’edge computing, les entreprises peuvent exploiter ces signaux pour suggérer un contenu personnalisé basé sur les goûts et les préférences des utilisateurs individuels.

Cas d’utilisation n° 3 : E-commerce – Recommendations plus opportunes et plus pertinentes

Enfin, les entreprises de commerce électronique et de marché souhaitent augmenter les taux de clics (CTR) et générer des conversions basées sur les magasins de fonctionnalités en temps réel. Cela leur permet de reclasser les recommandations pour les shoppers et de fournir des prédictions plus précises sans le décalage des recommandations traditionnelles basées sur le cloud.

Imaginez, par exemple, ouvrir l’utility Goal sur votre téléphone et obtenir des recommandations de produits hautement personnalisées d’une manière entièrement centrée sur la confidentialité – aucune donnée d’identification n’aurait quitté votre téléphone. L’apprentissage fédéré peut augmenter le CTR grâce à un modèle plus performant et respectueux de la vie privée qui offre aux utilisateurs des recommendations plus opportunes et plus pertinentes.

Le paysage du marché

Grâce aux avancées technologiques, les grandes entreprises et les start-up s’efforcent de rendre FL plus omniprésent afin que les entreprises et les consommateurs puissent en bénéficier. Pour les entreprises, cela signifie probablement une baisse des coûts ; pour les consommateurs, cela peut signifier une meilleure expérience utilisateur.

Il existe déjà quelques premiers acteurs dans l’espace :, Amazon SageMaker permet aux développeurs de déployer des modèles ML principalement sur périphériques périphériques et systèmes embarqués ; Google Distributed Cloud étend son infrastructure jusqu’à la périphérie ; et les entreprises en démarrage Nimbleedge réinventent la pile d’infrastructure.

Alors que nous sommes dans les premières manches, FL sur le bord est là et les hyperscalers sont dans le dilemme d’un titulaire. Les revenus que les fournisseurs de cloud génèrent pour le calcul, le stockage et les données sont menacés ; les fournisseurs modernes qui ont adopté une structure informatique de pointe peuvent offrir aux shoppers une précision de modèle ML supérieure et une latence réduite. Cela améliore l’expérience utilisateur et stimule la rentabilité – une proposition de valeur que vous ne pouvez pas ignorer longtemps.

Neeraj Hablani est associé chez Neotribe Ventures axé sur les entreprises en démarrage qui fabriquent des applied sciences révolutionnaires.