Federated Learning (Federatif Öğrenme), ham eğitim verilerini tek merkezde birleştirmeden ortak bir model geliştirmeyi amaçlar. Katılımcılar kendi verileri üzerinde yerel eğitim yapar, elde edilen model güncellemeleri bir araya getirilir. Böylece verilerin bulunduğu ortamda kalması sağlanırken ortak öğrenme mümkün olabilir.

Federated Learning Nedir?

Federated Learning, farklı cihazların veya kurumların kendi veri kümelerini kullanarak bir makine öğrenmesi modelini birlikte eğitmesidir.

Katılımcılar akıllı telefonlar, hastanelerin sunucuları veya fabrikalardaki bilgisayar sistemleri olabilir. Yaygın kullanılan mimaride merkezi bir sunucu eğitim sürecini koordine eder; ham eğitim kayıtları katılımcıların kontrolünde kalır.

Paylaşılan içerik, kullanılan yönteme göre model ağırlıkları, ağırlık değişimleri veya eğitim ölçümleri olabilir. Verilerin yerel tutulması, model güncellemelerinin kendiliğinden güvenli veya anonim olduğu anlamına gelmez.

Federated Learning Nasıl Çalışır?

Merkezi koordinasyona dayanan bir uygulamada süreç genellikle şu adımlardan oluşur:

1. Başlangıç modeli hazırlanır: Ortak eğitimde kullanılacak model belirlenir.

2. Katılımcılar seçilir: Eğitim turuna uygun cihazlar veya kurumlar alınır.

3. Model dağıtılır: Katılımcılar modelin mevcut sürümünü indirir.

4. Yerel eğitim yapılır: Her katılımcı kendi verilerini kullanarak güncelleme hesaplar.

5. Güncellemeler birleştirilir: Merkezi sistem gelen katkıları kullanarak ortak modeli günceller.

6. Yeni eğitim turu başlar: Güncellenen model yeniden katılımcılara gönderilir.

FedAvg (Federated Averaging), bu süreçte kullanılan temel algoritmalardan biridir. Yerel sonuçlar, kullanılan örnek sayıları gibi etkenler dikkate alınarak ağırlıklı biçimde birleştirilebilir. Her katılımcının bütün eğitim turlarında bulunması gerekmez.

Cihazlar ve Kurumlar Arasında Nasıl Uygulanır?

Cihazlar arası federatif öğrenme, çok sayıda telefon veya uç cihazın katkısına dayanabilir. Cihazların bağlantı durumu, pil seviyesi ve işlem kapasitesi değiştiği için katılımın dikkatle planlanması gerekir.

Kurumlar arası federatif öğrenme ise daha az sayıda ve daha istikrarlı katılımcıyla yürütülebilir. Örneğin farklı kuruluşlar, kendi sunucularında tuttukları verilerle ortak bir araştırma modelini eğitebilir.

Bu iki yaklaşımın iletişim, güvenlik ve koordinasyon ihtiyaçları farklıdır. Mobil cihazlar için uygun olan bir eğitim düzeni, kurumlar arası bir projede aynı sonucu vermeyebilir.

Veri Gizliliği Gerçekte Nasıl Korunur?

Federated Learning, ham verilerin merkezi sunucuya aktarılmasını azaltarak gizliliğe katkı sağlayabilir. Ancak tek başına tam gizlilik garantisi sunmaz. Model güncellemelerinden, belirli koşullarda katılımcıların verileri hakkında bilgi çıkarılabilir.

Bu nedenle ek yöntemler kullanılır:

• Güvenli toplulaştırma: Sunucunun bireysel güncellemeler yerine katılımcıların birleşik katkısını görmesini sağlar.

• Diferansiyel gizlilik: Katkıların sınırlandırılması ve kontrollü rastgelelik kullanılmasıyla kişilere ait bilgilerin sonuçlardan çıkarılmasını zorlaştırır.

• Erişim ve iletişim güvenliği: Yetkisiz katılımı ve aktarım sırasında müdahaleyi önlemeye yardımcı olur.

Google’ın Android’deki akıllı metin seçimi çalışmaları, federatif öğrenmenin güvenli toplulaştırma ve diferansiyel gizlilikle birlikte uygulanmasına örnektir. Sağlanan korumanın düzeyi, sistemin tasarımına ve güvenlik varsayımlarına bağlıdır.

Hangi Alanlarda Kullanılabilir?

Mobil Uygulamalar

Metin tahmini ve kişiselleştirme modelleri, kullanıcıların cihazlarında bulunan örneklerden yararlanılarak geliştirilebilir.

Sağlık Araştırmaları

Hastaneler, hasta kayıtlarını ortak bir veri deposuna taşımadan araştırma modellerinin eğitimine katkıda bulunabilir. Bunun için verilerin uyumlu hazırlanması ve modelin farklı kurumlarda değerlendirilmesi gerekir.

Finansal Sistemler

Kuruluşların kendi işlem kayıtlarından yararlanarak ortak tespit modelleri geliştirmesi hedeflenebilir. Veri yapılarının farklılığı ve kurumlar arasındaki koordinasyon, uygulama tasarımında belirleyicidir.

Endüstriyel Uygulamalar

Farklı tesislerin sensör verileri, arıza tahmini veya kalite kontrol modellerinin geliştirilmesinde kullanılabilir. Her tesis, kendi üretim kayıtlarını yerel altyapısında tutabilir.

Avantajları Nelerdir?

Federated Learning’in temel avantajı, verileri yerinde kullanarak ortak model geliştirme imkânı sunmasıdır. Merkezi ham veri depolama ihtiyacını azaltabilir ve farklı katılımcıların deneyimlerinden yararlanılmasını sağlayabilir.

Bununla birlikte toplam veri trafiği her zaman daha düşük olmaz. Büyük model güncellemelerinin çok sayıda eğitim turunda gönderilmesi önemli iletişim maliyeti oluşturabilir. Yerel hesaplama miktarı ile haberleşme sıklığı arasında uygun denge kurulmalıdır.

Karşılaşılan Zorluklar

Veri dağılımı farklılıkları: Katılımcıların verileri aynı özellikleri taşımayabilir. “Non-IID” olarak anılan bu durum, ortak modelin bazı katılımcılarda daha düşük performans göstermesine neden olabilir.

Donanım sınırlamaları: Yerel eğitim işlem gücü, bellek ve enerji gerektirir. Her cihaz aynı büyüklükte modeli eğitemez.

Katılım kesintileri: Bağlantısı kopan veya yavaş çalışan cihazlar eğitim sürecinin yönetimini zorlaştırabilir.

Zararlı güncellemeler: Kötü niyetli katılımcılar modelin davranışını bozmayı hedefleyebilir. Gizlilik önlemlerinin yanında model zehirlemeye karşı kontroller de değerlendirilmelidir.

Sık Sorulan Sorular

Federated Learning ile Edge AI aynı şey mi?

Hayır. Edge AI, yapay zekâ işlemlerinin cihazda veya yakın sistemlerde yürütülmesine odaklanır. Federated Learning ise farklı katılımcıların ortaklaşa model eğitmesini sağlar. İki yaklaşım birlikte kullanılabilir.

Veriler tamamen gizli kalır mı?

Ham eğitim kayıtlarının yerel tutulması amaçlanır. Ancak model güncellemeleri de bilgi sızıntısı riski taşıyabileceğinden ek güvenlik ve gizlilik yöntemleri gerekir.

İnternetsiz çalışabilir mi?

Yerel eğitim çevrim dışı yapılabilir. Ortak modele katkı göndermek ve güncel modeli almak için diğer sistemlerle bağlantı kurulması gerekir.

Her zaman daha iyi bir model oluşturur mu?

Hayır. Başarı; veri kalitesine, katılımcıların özelliklerine, eğitim algoritmasına ve kaynaklara bağlıdır. Sonuçlar gerçek kullanım koşullarında ölçülmelidir.

Federated Learning, verilerin farklı ortamlarda tutulması gereken projelerde ortak öğrenme için önemli bir seçenek sunar. Uygulamanın değeri; model kalitesi, gizlilik düzeyi ve işletme maliyeti birlikte değerlendirildiğinde ortaya çıkar.

Kaynaklar: McMahan ve diğerleri — Communication-Efficient Learning of Deep Networks from Decentralized Data, TensorFlow Federated — Federated Learning for Image Classification, Kairouz ve diğerleri — Advances and Open Problems in Federated Learning, Google Research — Distributed Differential Privacy for Federated Learning.

Editör Notu

Bu içerik, kamuya açık yapay zekâ araştırmaları ve resmî teknik dokümantasyonlardan yararlanılarak hazırlanmış bir araştırma ve değerlendirme yazısıdır. İçerikte yer alan değerlendirmeler editoryal yorum niteliğindedir. Federatif öğrenmenin performansı ve sağladığı gizlilik düzeyi; kullanılan veriye, sistem mimarisine ve güvenlik önlemlerine göre değişebilir.