Algoritmos de IA y una nueva forma de entrenamiento Google



Federated Lerning para algoritmos de IA El teléfono personaliza el modelo localmente, según su uso (A). Las actualizaciones de muchos usuarios se agregan (B) para formar un cambio de consenso (C) al modelo compartido, después de lo cual se repite el procedimiento.
El teléfono personaliza el modelo localmente, según su uso (A). Las actualizaciones de muchos usuarios se agregan (B) para formar un cambio de consenso (C) al modelo compartido, después de lo cual se repite el procedimiento.

Entrena su algoritmos directamente en tu teléfono. Entrenamiento on-device significa menos datos compartidos con Google…

Cuando las grandes empresas tecnológicas utilizan el aprendizaje automático para mejorar su software, el proceso suele ser muy centralizado. Empresas como Google y Apple recopilan información sobre cómo utilizas tus aplicaciones; Recolecta en un lugar; Y luego entrenan nuevos algoritmos utilizando estos datos obtenidos. El resultado final para los usuarios podría ser cualquier cosa, desde fotos más nítidas para la cámara de tu teléfono, a mejorar una función de búsqueda en tu aplicación de correo electrónico.

Este método es efectivo, pero el ir y venir de actualizar aplicaciones y recopilar comentarios es lento. Y no es genial para la privacidad de los usuarios, ya que las empresas tienen que almacenar datos sobre cómo usan sus aplicaciones en sus servidores. Por lo tanto, para tratar de abordar estos problemas, Google está experimentando con un nuevo método de entrenamiento de algoritmos de IA que llama Federated Learning.

Como su nombre lo indica, el enfoque de Federated Lerning (Aprendizaje Federado) trata de descentralizar el trabajo de la inteligencia artificial. En lugar de recopilar datos de los usuarios en un solo lugar en los servidores de Google y los algoritmos de entrenamiento con él, el proceso de enseñanza ocurre directamente en el dispositivo de cada usuario. Esencialmente, la CPU de tu teléfono está siendo reclutada para ayudar a entrenar la IA de Google.

Google está probando actualmente Federated Learning con su aplicación de teclado, Gboard, en dispositivos Android. Cuando Gboard muestra que los usuarios sugirieron búsquedas de Google basadas en sus mensajes, la aplicación recordará qué sugerencias tomaron nota y que ignoraron. Esta información se utiliza para personalizar los algoritmos de la aplicación directamente en los teléfonos de los usuarios. (Para llevar a cabo este entrenamiento, Google ha incorporado una versión light de su software de aprendizaje automático, TensorFlow, a la propia aplicación Gboard). Los cambios se envían a Google, que los agrega, y emite una actualización de la aplicación para todos sus usuarios.

Como explica Google en una publicación de blog, este enfoque tiene una serie de beneficios. Es más privado, ya que los datos utilizados para mejorar la aplicación nunca dejan el dispositivo de los usuarios; Y ofrece beneficios inmediatamente, ya que los usuarios no tienen que esperar a que Google emita una nueva actualización de la aplicación antes de que puedan empezar a utilizar sus algoritmos personalizados. Google dice que todo el sistema ha sido simplificado para asegurarse de que no interfiera con la duración de la batería ni el rendimiento de tu teléfono. El proceso de formación sólo tiene lugar cuando el teléfono está “inactivo, conectado y en una conexión inalámbrica gratuita”.

Como lo resumen los científicos de investigación de Google Brendan McMahan y Daniel Ramage: “Federated Learning permite modelos más inteligentes, menor latencia y menos consumo de energía, todo ello asegurando la privacidad”.

Esta no es la primera vez que vemos que las empresas tecnológicas intentan mitigar la sed de datos de los usuarios de IA. En junio pasado, Apple anunció que sus propios modelos de aprendizaje de máquinas usarían algo llamado “privacidad diferencial” para lograr un objetivo similar usando, esencialmente, camuflaje estadístico. Métodos como este sólo van a ser más comunes en el futuro, ya que las empresas tratan de equilibrar su necesidad de datos de los usuarios, con sus demandas de privacidad. El resultado final, sin embargo, debe seguir siendo mejor IA para todos.


Sea el primero en comentar

Deje una respuesta

Su dirección de E-mail no será publicada.


*