Egyesített tanulás: A gépi tanulás jövője?

A peremeken megvalósuló egyesített tanulás (FL) nagy pontosságot, alacsony késleltetést és költséghatékonyságot kínál, miközben elősegíti a felhasználók adatvédelmét.

A felhő sok vállalkozás számára a legkényelmesebb lehetőség a szoftverek és alkalmazások kezelésére. Ez azonban jelentős bevételkieséssel jár, amikor egy vállalat méretnövekedése során, bevételeinek akár 50%-a a felhőinfrastruktúrára megy el.

A peremhálózati egyesített tanulás (FL), más néven az együttműködésen alapuló tanulás, más megközelítést alkalmaz az adattárolás és a számítás tekintetében. A felhőközpontú gépi tanulással ellentétben az FL adatok az eszközön maradnak, lehetővé téve az eszközön történő képzést, javítva a modell pontosságát, miközben az adatok titkosítva és biztonságban vannak. Az eredményeket ezután visszaküldik a szerverre további javítások céljából, és a folyamat ismétlődő módon folytatódik. Az FL segítségével a fejlesztők csökkenthetik a hálózati hívásokat és az energiafogyasztást, ami a felhasználói élményt is javítja.

Az FL-t a zsebünkben lévő eszközök egyre növekvő hardveres képességei teszik lehetővé. Évről évre javul az eszközön végzett számítások és az akkumulátor élettartama, ami egyre összetettebb és személyre szabottabb felhasználást tesz lehetővé. A peremeken történő egyesített tanulás lehetővé teszi a személyre szabást, miközben megőrzi a felhasználói adatvédelmet, és javítja a késleltetést, miközben csökkenti a költségeket.

A Fortune 500 vállalatokkal folytatott többszöri beszélgetés szerint az FL iránt nagy az igény az ágazatokban. A pénzügyi igazgatók és a technológiai igazgatók érdeklődésüket fejezik ki egy olyan megoldás iránt, amely életre kelti az FL technikákat, és több millió dollárt takarít meg az infrastruktúrára és a modellek telepítésére fordított összegekből. A egyesített tanulás jelentős potenciállal rendelkezik a pénzügyi, a média és az e-kereskedelmi ágazatokban.

Például az olyan pénzügyi vállalatok, mint a Mastercard és a PayPal profitálhatnak abból, hogy azonosítsák a számlavételeket, a pénzmosást és a csalások felderítését, valamint javítsák a késleltetést és a biztonságot az FL-t alkalmazva. Az FL segíthet a vállalkozásoknak a felhő-infrastruktúra költségeinek csökkentésében, valamint az adatvédelem és az adatpontosság javításában.

• gépi tanulás
• Adatvédelem
• Felhő-infrastruktúra