درباره فدرا تِرین

درباره فدرا تِرین

فدرا تِرین یک پلتفرم یادگیری فدرال است که به سازمان‌ها امکان می‌دهد مدل‌های یادگیری ماشین را به‌صورت مشارکتی آموزش دهند، بدون آنکه داده‌های حساس خود را از محیط اصلی خارج کنند.

داده محلی

داده در محیط متعلق به صاحب آن باقی می‌ماند.

مشارکت

سازمان‌ها بدون اشتراک‌گذاری داده خام با یکدیگر یاد می‌گیرند.

حریم خصوصی

امنیت و حریم خصوصی در تمام معماری سیستم در نظر گرفته شده‌اند.

با رویکرد ما آشنا شوید

داده‌های ارزشمند نباید مجبور باشند محیط خود را ترک کنند

سازمان‌ها داده‌های ارزشمندی در اختیار دارند، اما الزامات مربوط به حریم خصوصی، امنیت، قوانین و مالکیت، یادگیری ماشین متمرکز را دشوار می‌کنند.

در یادگیری ماشین سنتی

در یادگیری ماشین سنتی، داده‌ها از منابع مختلف جمع‌آوری شده و معمولاً به یک محیط مرکزی منتقل می‌شوند.

  1. ۰۱

    جمع‌آوری داده از سازمان‌های مختلف

  2. ۰۲

    انتقال داده‌های حساس

  3. ۰۳

    ذخیره داده در یک مخزن مرکزی

  4. ۰۴

    همکاری از طریق اشتراک داده

فدرا ترین

فدرا تِرین فرآیند یادگیری را به محل قرارگیری داده‌ها نزدیک می‌کند و به مشارکت‌کنندگان اجازه می‌دهد بدون اشتراک مستقیم داده خام خود با یکدیگر همکاری کنند.

  1. ۰۱

    حفظ داده در محیط اصلی آن

  2. ۰۲

    آموزش مدل به‌صورت محلی

  3. ۰۳

    اشتراک‌گذاری به‌روزرسانی‌های مدل به جای داده خام

  4. ۰۴

    ساخت یک مدل جهانی مشترک

به جای انتقال داده‌های حساس به مدل، فدرا تِرین فرآیند یادگیری را به محل قرارگیری داده‌ها می‌آورد.

امنیت

امنیت بخشی از معماری سیستم است

یادگیری فدرال نیاز به جابه‌جایی غیرضروری داده‌ها را کاهش می‌دهد، اما یک سیستم امن باید در تمام چرخه آموزش از داده‌ها و اجزای سیستم محافظت کند.

اصول امنیتی

مکانیزم‌های کلیدی برای ایجاد یک محیط قابل اعتماد در یادگیری فدرال.

۱

هویت و احراز هویت

موجودیت‌های مشارکت‌کننده پیش از تعامل با سیستم فدرال اعتبارسنجی می‌شوند.

۲

ارتباطات امن

ارتباط میان کلاینت‌ها، سرورها و سایر موجودیت‌های مورد اعتماد محافظت می‌شود.

۳

مجوز و کنترل دسترسی

کاربران و مشارکت‌کنندگان تنها می‌توانند عملیاتی را انجام دهند که نقش آن‌ها اجازه می‌دهد.

۴

مدیریت کلیدهای رمزنگاری

کلیدهای رمزنگاری مورد نیاز برای ایجاد ارتباطات امن و قابل اعتماد مدیریت می‌شوند.

۵

اعتبارسنجی به‌روزرسانی مدل

به‌روزرسانی‌های مدل از نظر ساختار، یکپارچگی، سازگاری و صحت عددی بررسی می‌شوند.

۶

نظارت و ممیزی

رویدادهای مهم امنیتی و آموزشی برای مشاهده‌پذیری و پاسخگویی ثبت می‌شوند.

حریم خصوصی چیزی فراتر از یادگیری فدرال است

یادگیری فدرال یک معماری مهم برای حفظ حریم خصوصی است، اما به‌تنهایی تضمین‌کننده حریم خصوصی کامل نیست. بسته به مدل تهدید، ممکن است مکانیزم‌هایی مانند تجمیع امن، حریم خصوصی تفاضلی، تکنیک‌های رمزنگاری یا محیط‌های اجرای مورد اعتماد مورد نیاز باشند.

چشم‌انداز ما

ساخت زیرساختی برای هوش مصنوعی مشارکتی

فدرا تِرین با هدف عملی کردن یادگیری ماشین مشارکتی برای سازمان‌هایی ایجاد می‌شود که هم به هوش مشترک و هم به کنترل داده‌های خود نیاز دارند.

داده‌های محلی

داده‌های حساس در محیط سازمانی که مالک آن‌هاست باقی می‌مانند.

هوش مشارکتی

سازمان‌ها می‌توانند دانش خود را به مدل‌های مشترک اضافه کنند، بدون اینکه داده‌های خام آن‌ها از زیرساخت سازمان خارج شود.

هوش مصنوعی حافظ حریم خصوصی در مقیاس بزرگ

فدرا تِرین با ترکیب یادگیری فدرال، سیستم‌های توزیع‌شده، رمزنگاری، تجمیع امن و فناوری‌های حفظ حریم خصوصی، زیرساختی برای نسل آینده سیستم‌های هوش مصنوعی مشارکتی فراهم می‌کند.

مسیر آینده ما

اصولی که مسیر توسعه فدرا تِرین را شکل می‌دهند.

  • هوش مصنوعی مشارکتی — ایجاد امکان یادگیری سازمان‌ها از دانش توزیع‌شده بدون نیاز به متمرکز کردن داده‌ها.
  • حریم خصوصی در معماری — قرار دادن محلی‌بودن داده و کنترل جابه‌جایی داده به‌عنوان بخش اساسی طراحی سیستم.
  • هوش توزیع‌شده — تبدیل دانش توزیع‌شده میان سازمان‌ها به مدل‌های قدرتمندتر و مشترک یادگیری ماشین.
داده‌های محلی نباید مانعی برای ایجاد هوش مشارکتی باشند.

فدرا تِرین . داده محلی. هوش مشارکتی.

تیم ما

با تیم پشت فدرا ترین آشنا شوید

تیمی چندتخصصی که برای ساخت راهکارهای امن و حفظ‌کننده حریم خصوصی در یادگیری فدرال با یکدیگر همکاری می‌کند.

دم

دکتر مجتبی رفیعی

دکتری علوم کامپیوتر

مدیرعامل