Federatyvinis mokymasis (angl. Federated Learning) – tai metodas, kai mašininio mokymosi modelis mokomas iš atskirų įrenginių ar institucijų duomenų, bet patys duomenys niekada nepalieka savo vietos. Vietoj to į centrinį serverį siunčiami tik modelio atnaujinimai – parametrų pokyčiai, o ne pacientų istorijos, finansiniai įrašai ar balso komandos.

Šis požiūris tampa vis svarbesnis aplinkoje, kur griežtėja duomenų apsaugos reglamentai – pavyzdžiui, BDAR ar Europos AI aktas – ir kur įmonės siekia bendradarbiauti neprarasdamos konkurencinio pranašumo.

Kaip veikia bendras modelis be bendrų duomenų

Principas paprastas: modelio kopija išsiunčiama į kiekvieną dalyvaujantį mazgą – ligoninės serverį, telefoną, gamyklos įrenginį. Ten ji apmokoma vietiniais duomenimis, o vėliau tik atnaujinti parametrai grąžinami į centrinį serverį, kur sujungiami į vieną patobulintą modelį. Jokių neapdorotų duomenų siuntimo nėra.

Dėl to galima gauti naudos iš daug didesnės duomenų įvairovės, nei turėtų viena organizacija, išlaikant duomenų suverenitetą. Kaip aiškina bendrovė Owkin, dirbanti su ligoninėmis: „užuot rinkusi visus pacientų duomenis vienoje vietoje, metodas perkelia mašininio mokymosi algoritmus prie duomenų."

Ligoninės mokosi kartu, neatskleisdamos pacientų istorijų

Owkin požiūris leidžia tyrėjams ir klinicistams naudoti įvairesnį duomenų rinkinį, nei galėtų suteikti kuri nors atskira įstaiga. Tai pagerina prognozinių algoritmų veikimą, kartu išsaugant paciento privatumą.

Panašiai veikė ir MELLODDY projektas farmacijos srityje. Konsorciumas, jungiantis kelias vaistų kūrimo bendroves, sukūrė privatumą išsaugančią federuoto mokymosi platformą, kuri laikė kiekvienos įmonės duomenis už savo ugniasienės, o bendram mokymuisi dalijosi tik modelio atnaujinimais, o ne jautriais molekuliniais duomenimis.

Jūsų balsas telefone niekur nekeliauja

Google jau taiko federacinį mokymąsi balso modelių tobulinimui. „Hey Google" atpažinimo funkcija mokoma tiesiogiai naudotojų įrenginiuose, neperduodant garso įrašų į bendrovės serverius. Dėl to asistentas tampa tikslesnis, bet pokalbiai lieka tik jūsų telefone.

Platesniame kontekste agentiniai DI komponentai gali dar labiau išnaudoti federatyvųjį mokymąsi. Kiekvienas agentas mokosi iš savo sąveikos ir aplinkos, o paskui anonimiškai prisideda prie bendro modelio. Tai leidžia sistemoms likti asmeniškai pritaikytomis, tačiau privatumui jautriose srityse, pavyzdžiui, daiktų interneto saugumo sistemose, veikti kolektyviai.

Kur slypi ribos

Nors idėja elegantiška, praktikoje kyla iššūkių. Modelio mokymas paskirstytoje aplinkoje reikalauja daugiau komunikacijos ir koordinavimo. Be to, duomenys skirtinguose mazguose dažnai nėra vienodai paskirstyti – vieni turi daugiau retų diagnozių vaizdų, kiti – mažiau. Neseniai pasiūlytas GraphMedFL karkasas bando šią problemą spręsti integruodamas žinių grafus ir struktūrinius vaizdų ryšius, kad modelis geriau apibendrintų net iš nevienalyčių šaltinių.

Technologija vis labiau vertinama finansų sektoriuje, kur kovai su pinigų plovimu reikia atpažinti schemas tarp skirtingų bankų, tačiau tiesioginis duomenų mainymas draudžiamas. Federatyvinis mokymasis suteikia galimybę bendradarbiauti, nepažeidžiant BDAR ar kitų reikalavimų, nors reguliacinė praktika dar tik formuojasi.

Šaltiniai

  1. [1] [Aimultiple.com | Thu, 11 Ju] Federated Learning: 7 Use Cases & Examples
  2. [2] [Nature.com | 2026-06-30] A federated learning framework integrating knowledge graphs and Node2Vec for multi-source medical image classification | Scientific Reports
  3. [3] [Pubmed.ncbi.nlm.nih.gov] Federated Learning in Healthcare: From Research to Real-World Deployment