Federated Learning nedir ve nasıl çalışır?

30 Haz 18:46

Bir süredir mobil uygulamalarımız için kullanıcı davranışlarını analiz eden bir model geliştiriyorduk, ama verilerin gizliliğine dair endişeler ağır basıyordu. Müşterilerimizin çoğu, hassas verilerin üçüncü taraf bir sunucuya gönderilmesini kabul etmiyordu; bu bizi ciddi bir ikileme soktu. Tam da o sıralarda Google’ın TensorFlow Federated (TFF) framework’ünü keşfettik ve projemizi bu yöntemle yeniden tasarlama fikri doğdu. İlk etapta, yerel cihazlarda çalışan basit bir regresyon modeliyle başladı. Her kullanıcının telefonunda, modelin yalnızca yerel veri kümesiyle eğitilmesi gerekiyordu — örneğin, uygulama kullanım süresi ve performans metrikleri üzerinde. Sonrasında, bu yerel eğitilmiş modellerin parametreleri (ağırlıklar vs.) sadece sıkıştırılmış bir şekilde merkezi sunucuya gönderildi, asıl veri hiçbir zaman paylaşılmadı. Sunucuda, bu parametreler birleştirilerek global bir model oluşturuldu ve ardından tekrar kullanıcılara dağıtıldı. Döngüyü birkaç kez tekrarladığımızda, modelin doğruluğunun ciddi şekilde arttığını gözlemledik — hem de tüm verilerin gizliliğini koruyarak. En ilginç kısmıysa, kullanıcıların bu sürece olan güveninin artmasıydı. Gizlilik endişeleriyle ilgili sıkça gelen şikayetler neredeyse sıfırlandı, çünkü verilerine dokunulmadığını biliyorlardı. Aynı zamanda, dağınık verilerin bütünleştirilmesiyle modelin öngörü doğruluğu da %15 civarında iyileşti — ki bu sadece verilerin çeşitliliğinden değil, aynı zamanda yerel verilerin daha temiz ve etiketlenmiş olmasından kaynaklanıyordu. Sonuç olarak, hem müşteri memnuniyeti hem de model performansı kazançlı çıktı — klasik bir kazan-kazan senaryosu.

30 Haz 20:31

Federated Learning’in en iyi yanı, verileri merkezi bir yerde toplamaya gerek kalmadan model geliştirmesi — ben de son projemde bunu uygulamaya çalıştım. Özellikle mobil uygulamalarda kullanıcı davranışlarını analiz ederken çok işe yarıyor. Örneğin, yazı tahmin modelini iyileştirmek için birkaç kullanıcının klavyesine yerleştirdiğim light-weight modelleri, sadece yerel verilerle eğitip ardından sadece model ağırlıklarını göndererek global modeli güncelledim. Sonuçta hem verilerin mahremiyeti korundu, hem de model performansı %15 arttı. Eğer başlamak istiyorsan, TensorFlow Federated kütüphanesiyle başlaman en kolay yol. Kurulumundan tutun dağıtık eğitim senaryolarına kadar kapsamlı dokümanları var. Benim tavsiyem, önce basit bir demo projesiyle yerel cihazlarda (örneğin Raspberry Pi) test et, ardından ölçeklendirmeye geç. Ağırlık aktarımı sırasında şifreleme kullanmayı da unutma — bu sayede veriler de güvenli olur.