باحثو Apple يطورون سرعة تدريب نماذج التعلم الاتحادي

نشر باحثو Apple مؤخراً ورقة بحثية تتناول كفاءة التعلم الاتحادي. يسمح هذا النهج لنماذج الذكاء الاصطناعي بالتعلم من البيانات مباشرة على الأجهزة مثل الهواتف دون الحاجة إلى إرسال معلومات المستخدم الحساسة إلى خادم مركزي.

عادة ما يكون تدريب هذه النماذج بطيئاً مقارنة بالطرق التقليدية. وتعد إحدى العقبات الرئيسية ما يسمى بانحراف العملاء، حيث تتشتت الأجهزة الفردية عن المسار الصحيح أثناء عملية التعلم الجماعي، مما يضطر النظام بأكمله لبذل جهد أكبر للوصول إلى توافق.

لحل هذه المشكلة، طور الباحثون طريقة جديدة تسمى Local Inexact Proximal Point Algorithm with Extra Step، أو اختصاراً LIPPAX. تقوم هذه الخوارزمية بتحسين كيفية تحديث الأجهزة لنماذجها المحلية، مما يبقيها متوافقة بفعالية مع الهدف المركزي.

أظهرت الاختبارات أن LIPPAX توفر معدلات تقارب أسرع عبر إعدادات متنوعة، بما في ذلك السيناريوهات التي تتضمن هياكل رياضية معقدة.

لماذا يعد هذا مهماً

من خلال جعل عملية التدريب أسرع وأكثر استقراراً، قد يؤدي هذا البحث في النهاية إلى ذكاء اصطناعي أكثر قدرة يعمل محلياً على أجهزتك. يساعد هذا في تقليل الفجوة بين الأنظمة الاتحادية وطرق التدريب المركزية التقليدية.

هل يمكن أن يؤدي هذا إلى مساعدين أذكى يحافظون على بياناتك داخل جهازك فقط؟ يشير الباحثون إلى أنه على الرغم من أهمية هذه التحسينات، إلا أنهم لا يزالون يعملون على صقل هذه التقنيات لمواجهة تحديات أكثر تعقيداً حيث قد تكون أنماط البيانات أقل قابلية للتنبؤ.