Il machine learning di Google evolve: Federated Learning

I tradizionali algoritmi di machine learning richiedono l’utilizzo di un server centralizzato oppure di una batteria di macchine collocate in un datacenter.
Google vuole modificare radicalmente questo tipo di approccio con Federated Learning: l’obiettivo è quello di ridurre la dipendenza dalle informazioni conservate sul cloud e implementare sistemi di intelligenza artificiale ricorrendo a set di dati memorizzati in locale.

Con Federated Learning i dispositivi mobili possono trarre vantaggio dal modello predittivo condiviso dai tecnici di Google pur mantenendo in locale tutti i dati usati per l'”addestramento” dell’intelligenza artificiale.

Grazie al nuovo approccio, il dispositivo scaricherà dalla Rete il modello per il machine learning e lo migliorerà automaticamente sulla base dei dati conservati nella memoria interna e sulle abitudini e preferenze dell’utente. Le modifiche al modello iniziale verranno quindi salvate sotto forma di un “aggiornamento” plasmato sulle necessità del singolo utente (con la possibilità, comunque, di essere ulteriormente esteso e corretto al bisogno).

Tutti i dati impiegati per addestrare il modello per l’apprendimento automatico resteranno così in locale, offrendo maggiori garanzie anche in termini di privacy. Federated Learning, inoltre, permetterà di realizzare modelli più efficaci, ridurre latenza e consumi energetici.

I tecnici di Google hanno aggiunto di aver iniziato a provare integrando il nuovo approccio Federated Learning nella tastiera Gboard: Tastiera Google, le novità della nuova Gboard.
Ogniqualvolta la tastiera Gboard propone una query, il dispositivo mobile memorizzerà localmente le informazioni relative al contesto e se l’utente abbia fatto clic (o meno) sul suggerimento. Federated Learning elaborerà quindi la cronologia per migliorare continuamente la pertinenza dei suggerimenti di Gboard.

Maggiori informazioni sono disponibili a questo indirizzo.