Yedekli Öğrenme: 7 Kullanım Alanı & Örnekler

Son McKinsey analizlerine göre, yapay zeka benimsenmesinin en acil riskleri arasında model halüsinasyonları, veri menşei ve doğruluğu, düzenleyici uyumsuzluk ve yapay zeka tedarik zinciri kırılganlıkları yer almaktadır.¹

Yedekli öğrenme (FL), bu riskleri azaltmak isteyen kuruluşlar için temel bir teknik olarak ortaya çıkmıştır. Hassas bilgileri gizli tutarken ve veri yerelleştirme ile gizlilik yasalarına uyarken modellerin merkezi olmayan verilerden öğrenmesine olanak tanır.

Yedekli öğrenmenin ne olduğunu, nasıl çalıştığını, gerçek yaşam örnekleriyle yaygın kullanım alanlarını, potansiyel zorlukları ve alternatiflerini keşfedin.

Yedekli öğrenmenin kullanım alanları ve örnekleri

Yedekli öğrenme; veri hassasiyeti, merkezi olmayan yapı ve gerçek zamanlı uyumun kritik olduğu geniş bir yelpazede AI sistemlerini destekler. Artık ajan tabanlı AI, finans, mobil uygulamalar, sağlık, otonom ulaşım, akıllı üretim ve robotikte uygulanarak işbirlikçi model eğitimi sağlar:

1. Ajan tabanlı AI

Verileri tek bir ortak havuzda toplamak yerine, yedekli öğrenme her ajanın kendi etkileşimlerinden veya ortamından doğrudan öğrenmesine olanak tanır. Ajan, ham verileri ortaya çıkarmadan yalnızca gizlilik koruyucu model güncellemelerini ortak öğrenme sürecine katkıda bulunur.

Bu yaklaşım, ajanların gizliliğe, veri sahipliğine ve düzenleyici gerekliliklere saygı gösterirken kolektif deneyimden öğrenerek sürekli gelişmelerine olanak tanır.

Sonuç olarak, ajan tabanlı AI, gizlilik bilinciyle hareket ederken kişiselleştirilmiş ve uyum sağlayabilir kalabilir; bu da yedekli öğrenmeyi, ajanların bağımsız çalışması ancak yine de kullanıcılar, cihazlar veya kuruluşlar arasında gözlemlenen kalıplardan faydalanması gereken hassas ortamlar için özellikle uygun hale getirir.

Gerçek yaşam örneği: Gizlilik koruyucu IoT sızma tespit çerçevesi

IoT cihazlarının hızlı büyümesi, sağlık, akıllı şehirler ve endüstriyel sistemler gibi alanlarda ilerlemelere olanak tanısa da, siber saldırılara ve gizlilik risklerine maruz kalınmayı da artırmıştır.

Geleneksel merkezi sızma tespit sistemleri, hassas verileri toplamaya dayanır; bu da iletişim yükü, gizlilik endişeleri ve tek başına başarısızlık noktaları yaratır. Bu sınırlamaları aşmak için, son bir çalışma, Yedekli Öğrenme (FL) ile Ajan Tabanlı Yapay Zekayı birleştiren gizlilik koruyucu bir IoT sızma tespit çerçevesi önermektedir.

FL, merkezi olmayan model eğitimini sağlarken, Ajan Tabanlı AI, gelişen tehditlere yanıt vermek için uyum sağlayan, kendini öğrenen ve otonom karar verme yetenekleri ekler.

Çerçeve, doğruluk ve gizliliği dengelemek için yerel anormallik tespiti, güvenli toplama ve hafif iletişim kullanır; ajan bileşenleri ise savunmaları gerçek zamanlı olarak optimize eder.²

2. Finans uygulamaları

Yedekli öğrenme, finansal kurumların ham verileri paylaşmadan işbirlikçi AI modelleri eğitmesine olanak tanır; böylece her kuruluş hassas bilgileri yerel tutarken daha güçlü ortak bir modele katkıda bulunabilir.

Bu, tehditlerin birden fazla banka ve bölgeye yayıldığı ancak veri paylaşımının GDPR ve AB Yapay Zeka Yasası gibi düzenlemelerle kısıtlandığı dolandırıcılık ve finansal suç tespiti için özellikle değerlidir.

Gerçek yaşam örneği: Finansal Güvenliği Geliştirmede Yedekli Öğrenmenin Rolü

Son bir makale, dijital finans ve ATM'ler ile POS cihazları gibi IoT-enabled uç noktaların büyük miktarda hassas veri ürettiği modern finansal sistemlerde güvenlik ve gizliliği artırmak için umut verici bir çözüm olarak yedekli öğrenmeyi (FL) incelemektedir.

Makale, portföy optimizasyonu gibi daha düşük riskli uygulamalardan gerçek zamanlı dolandırıcılık tespiti gibi yüksek riskli görevlere kadar FL kullanım alanlarını düzenleyici maruziyete göre sınıflandırır ve dolandırıcılık önleme ile blockchain entegre çerçevelerdeki son başarıları vurgular.

FL, gizlilik, uyum ve ölçeklenebilirlik açısından net faydalar sunarken, makale veri heterojenliği, saldırgan saldırılar, yorumlanabilirlik ve düzenleyici entegrasyon dahil olmak üzere devam eden zorlukları da vurgulamaktadır.

Finanstaki FL'nin geleceği için makale, blockchain, diferansiyel gizlilik, güvenli çok taraflı hesaplama ve kuantum güvenli yöntemler gibi teknolojilerle FL'nin kombinasyonunu, güvenilir ve geleceğe hazır AI sistemlerini gerçekleştirmek için anahtar olarak belirlemektedir.³

Gerçek yaşam örneği: Flower ile Banking Circle

Flower'ın yedekli öğrenme platformu, finansal kurumların merkezi olmayan veriler üzerinde işbirlikçi AI modelleri eğitmesine yardımcı olarak, dolandırıcılık tespiti, risk değerlendirmesi ve diğer analizler gibi görevler için gizliliği, güvenliği, uyumu ve tahmin doğruluğunu artırır.

Avrupa'nın e-ticaret akışlarının önemli bir kısmını işleyen küresel ödeme bankası Banking Circle, şüpheli işlemleri incelemeye otomatik olarak işaretleyerek kara para aklama (AML) operasyonlarını yönetmek için AI kullanır.

ABD'ye genişledikçe, işlem kalıplarındaki farklılıklar ve sıkı veri transferi kısıtlamaları, yalnızca Avrupa verileri üzerinde eğitilen modellerin etkinliğini sınırladı. Bunu çözmek için Banking Circle, hassas verileri sınır ötesine taşımadan AML modellerini bölgeler arasında eğitmeyi sağlayan Flower'ın yedekli öğrenme platformunu benimsedi.

Bu yaklaşım, ABD modelinin Avrupa içgörülerinden öğrenmesine ve yerel uyumluluğu korumasına olanak tanıdı; iyileştirmeler zamanla Avrupa sistemine geri beslendi.⁴

3. Mobil uygulamalar

Mobil uygulamalar, kişiselleştirme, sonraki kelime tahmini, yüz algılama ve ses tanıma gibi alanlarda makine öğrenimi sistemleri kullanır. Ancak, geleneksel AI eğitimi kullanıcı verilerini merkezileştirir; bu da gizlilik, güvenlik ve veri yönetişimi konusunda endişeleri artırır. Yedekli öğrenme, ham kullanıcı verilerini iletmeden modellerin cihazlar ağı üzerinde eğitilmesine izin vererek bu zorlukları ele alır.

Mobil uygulamalar için yedekli öğrenmenin bazı avantajları şunlardır:

• Gizlilik koruyucu AI: Hassas kullanıcı verileri cihazda kalır; model doğruluğunu iyileştirirken veri maruziyeti risklerini azaltır.
• Kişiselleştirilmiş ve uyum sağlayan modeller: Uygulamalar, sürekli bulut güncellemelerine ihtiyaç duymadan bireysel kullanım kalıplarına göre AI modellerini ince ayar yapabilir.
• Daha düşük bant genişliği kullanımı: Büyük veri kümeleri yüklemek yerine yalnızca model güncellemeleri paylaşılır; bu da yedekli öğrenmeyi mobil ağlar için verimli hale getirir.
• İyileştirilmiş güvenlik: Verileri merkezi olmayan tutarak, yedekli öğrenme merkezi veri depolama ve ihlallerle ilişkili riskleri azaltır.

Bu yaklaşım, tahminli metin ve otomatik düzeltme için akıllı telefon klavyelerinde, ses tanıma için ses asistanlarında ve yüz ile parmak izi tanıma için biyometrik kimlik doğrulamada zaten kullanılmaktadır.

Gerçek yaşam örneği: Google ve ses modellerini iyileştirme

Google, ses komutları vermesini sağlayan Google Asistan'daki "Hey Google" algılaması gibi cihazda çalışan makine öğrenimi sistemlerini geliştirmek için yedekli öğrenmeyi kullanır. Bu yaklaşım, ses verilerini Google'ın sunucularına iletmeden ses modellerinin doğrudan kullanıcıların cihazlarında eğitilmesine olanak tanır; böylece kullanıcı gizliliği korunur.

Yedekli öğrenme, kişisel ses bilgilerinin cihazda kalmasını sağlayarak verileri yerel olarak işleyerek ses tanıma yeteneklerinin iyileştirilmesini sağlar.⁵

4. Sağlık

Yedekli öğrenme, hasta verilerini gizli tutarken güçlü AI eğitimi sağlayarak sağlık ve sağlık sigortasına fayda sağlar.

Hastanelerin ve kurumların tıbbi kayıtları tek bir depoda topladığı geleneksel veri merkezileştirme, HIPAA ve GDPR gibi düzenlemelerle uyum, veri yönetişimi ve güvenlik konusunda önemli endişeler yaratır.

Yedekli öğrenme, doğrudan veri paylaşımı gerektirmeden birden fazla kurum arasında işbirlikçi model eğitimini sağlayarak bu sorunların yönetilmesine yardımcı olur.

Bu yaklaşım birkaç avantaj sağlar:

• Gelişmiş gizlilik ve güvenlik: Hassas hasta verileri orijinal kaynağı içinde kalır; maruz kalma ve veri ihlali risklerini azaltır.
• İyileştirilmiş veri çeşitliliği: Farklı hastanelerden, araştırma merkezlerinden ve elektronik sağlık kayıtlarından veri kümeleri üzerinde eğitilerek, yedekli öğrenme modellerin nadir hastalıkları tanımasını ve çeşitli nüfuslarda tanı doğruluğunu artırmasını sağlar.
• Ölçeklenebilir tıbbi AI: Makine öğrenimi modelleri, birden fazla kurumdan gelen gerçek dünya verileri üzerinde sürekli olarak iyileştirilebilir; bu da daha güvenilir tahmin analitiğine ve daha iyi hasta sonuçlarına yol açar.

Gerçek yaşam örneği: Lifebit'in Ajan Tabanlı Yedekli Platformu

Lifebit, dünyanın ilk tam ajan tabanlı Güvenli Araştırma Ortamı (TRE) olan Ajan Tabanlı Yedekli Platformu'nu duyurdu. Şu anda beta aşamasında olan platform, araştırmacıların hassas biyomedikal verileri tek bir AI destekli konuşma arayüzü üzerinden güvenli bir şekilde yönetmelerine ve analiz etmelerine olanak tanır.

Lifebit'e göre, platform, kullanıcıların doğal dil yoluyla uçtan uca araştırma yapmasına izin vererek veri uyumlaştırma, kohort oluşturma ve biyoinformatik analizleri gibi karmaşık araştırma iş akışlarını basitleştirir. Hem etkileşimli hem de toplu araçları (örn. R, Jupyter, Nextflow) destekler, yerleşik sorun giderme ve dokümantasyon sağlar ve GWAS ile hedef belirleme gibi AI destekli genomik yetenekler içerir.

Şirket, platformu geleneksel TRE'lerden daha güvenli, denetlenebilir ve kullanıcı dostu olarak konumlandırarak, yedekli veri yönetişim standartlarına sıkı sıkıya uyum sağlarken araştırmayı hızlandırmayı amaçlamaktadır.⁶

Gerçek yaşam örneği: MELLODDY

MELLODDY projesi (İlaç Keşfi için Makine Öğrenimi Defteri Organizasyonu), İnovatif İlaçlar Girişimi (IMI) tarafından finanse edilen bir Avrupa araştırma girişimidir. Proje, yedekli öğrenmenin gizli verileri paylaşmadan ilaç keşfini nasıl hızlandırabileceğini göstermek için 10 ilaç şirketini, akademik ve teknoloji ortaklarını bir araya getirdi.

Şirketlerin son derece hassas olarak gördüğü mülkiyet veri kümelerini toplamak yerine, MELLODDY, her şirketin verisini kendi güvenlik duvarının arkasında tutan ve ham veriler yerine yalnızca model güncellemelerini paylaşan işbirlikçi öğrenme için gizlilik koruyucu bir yedekli makine öğrenimi platformu geliştirdi.

Bu platform, veri sahipliğini ve fikri mülkiyet haklarını korurken ortaklar arasında güvenli ve izlenebilir model eğitimini sağlamak için AWS altyapısı, Kubernetes orkestrasyonu ve özel bir blockchain defteri gibi teknolojileri kullanır.

Makine öğrenimi algoritmalarını herhangi bir tek şirketin sahip olduğundan çok daha fazla veriye maruz bırakarak, MELLODDY, ilaç adaylarının biyolojik aktivitesini ve toksikolojisini tahmin etmek için iyileştirilmiş tahmin performansı ve daha büyük model uygulanabilirliği göstermiştir.⁷

Gerçek yaşam örneği: Owkin

Biyoteknoloji şirketi Owkin, hassas verileri merkezileştirmeden birden fazla tıbbi ve araştırma kurumu arasında AI modelleri eğitmek için yedekli öğrenmeyi kullanır.

Tüm hasta verilerini tek bir yerde toplamak yerine, Owkin'in yaklaşımı veriyi depolandığı yerde (örn. hastane sunucularında) tutar ve makine öğrenimi algoritmalarını veriye taşır.

Modeller her ortağın veri kümesinde yerel olarak eğitilir ve yalnızca model güncellemeleri geri paylaşılır ve küresel bir model oluşturmak için birleştirilir. Bu, araştırmacıların ve kliniklerin herhangi bir tek kurumun sağlayabileceğinden daha çeşitli bir veri kümesinden faydalanmasını sağlar; böylece hasta gizliliğini ve veri egemenliğini korurken tahmin algoritmalarının performansını artırır.

Owkin, bu tekniği özellikle işbirlikçi sağlık AI'sı (tedavi sonuçlarını tahmin etmek gibi) için son derece güçlü ve gizliliği tehlikeye atmadan hassas tıbbı ölçeklendirmenin bir yolu olarak konumlandırmaktadır.⁸

Gerçek yaşam örneği: MedPerf

Tıbbi AI'da yedekli öğrenme için artan bir itiş, endüstri ve akademik ortaklardan oluşan bir koalisyon tarafından geliştirilen açık kaynaklı bir platform olan MedPerf gibi girişimlere yol açmıştır.

MedPerf, AI modellerinin yedekli değerlendirmesine odaklanır; böylece hastaların gizliliğini korurken çeşitli, gerçek dünya tıbbi verilerinde etkili bir şekilde çalıştıklarından emin olur. Yedekli öğrenmedeki teknik yenilikleri, klinik olarak ilgili ölçütler oluşturan yönetişim çerçeveleriyle birleştirerek, bu girişimler güveni veya güvenliği tehlikeye atmadan sağlıkta AI benimsenmesini hedeflemektedir.

Şekil 2: MedPerf yedekli AI ölçüm çerçevesinden sağlıkta yedekli öğrenmeye bir örnek.⁹

5. Ulaşım: Otonom araçlar

Kendi kendine süren arabalar, karmaşık ortamlarda gezinmek için gelişmiş makine öğrenimi tekniklerinin bir kombinasyonuna güvenir.

Bilgisayarlı görü, onlara engelleri algılamayı sağlarken, uyum sağlayan öğrenme modelleri trafik veya sert arazi gibi koşullara göre sürüş davranışını ayarlamaya yardımcı olur.

Ancak, geleneksel bulut tabanlı yaklaşımlar gecikmeye yol açabilir ve özellikle saniyenin binde biri kararlarının kritik olduğu yüksek yoğunluklu trafik senaryolarında güvenlik riskleri oluşturabilir.

Yedekli öğrenme, veri işlemeyi merkezi olmayan hale getirerek ve birden fazla araç arasında gerçek zamanlı öğrenmeyi sağlayarak bir çözüm sunar. Sadece bulut tabanlı güncellemelere güvenmek yerine, otonom araçlar verileri yerel tutarken işbirlikçi modeller eğitebilir. Bu yaklaşım, araçların aşırı veri transferi olmadan en son yol koşullarına göre karar verme mekanizmalarını sürekli olarak iyileştirmesini sağlar.

Yedekli öğrenmeden yararlanarak, kendi kendine süren arabalar üç temel hedefe ulaşabilir:

• Gerçek zamanlı trafik ve yol farkındalığı: Araçlar, yol tehlikeleri, inşaat bölgeleri veya ani hava değişiklikleri hakkında hızlıca bilgi işleyip paylaşabilir; böylece daha güvenli gezinme sağlanır.
• Anında karar verme: Dahili AI, dinamik sürüş koşullarına daha hızlı tepki verebilir; uzaktaki sunuculara bağımlılığı azaltır ve kritik anlarda gecikmeyi en aza indirir.
• Sürekli model iyileştirmesi: Daha fazla araç yerel öğrenmelerine katkıda bulundukça, otonom sistemler evrimleşir ve zaman içinde tahmin doğruluğunu artırır.

Yedekli öğrenmeyi entegre ederek, otonom araçlar yalnızca anında tepki verme yeteneklerini artırmakla kalmaz, aynı zamanda kendi kendine süren sistemlerin genel güvenliğini ve verimliliğini artıran kolektif bir zeka oluşturur.

Gerçek yaşam örneği: NVIDIA FLARE

NVIDIA'nın AV Yedekli Öğrenme platformu, NVIDIA FLARE tarafından desteklenerek, otonom araç (AV) modellerinin GDPR ve PIPL gibi bölgesel düzenlemelere uyarak ve veri gizliliğini koruyarak farklı ülkelerde işbirlikçi bir şekilde eğitilmesini sağlar.

Maliyetli ve veri transferi yasaları tarafından kısıtlanabilen merkezi eğitim yerine, yedekli öğrenme modellerin ülke özelinde veriler üzerinde yerel olarak eğitilmesine olanak tanır; bu da küresel model performansını artırır.

Platform, mevcut makine öğrenimi sistemleriyle entegre olur ve sınır ötesi eğitimi destekleyen Japonya'daki AWS'de bulunan merkezi bir sunucu ile çalışır. Başlangıcından bu yana, on düzineden fazla AV modeli üretmiş, performansı yerel olarak eğitilen muadillerini eşleşmiş veya aşmış ve benimsenme bir yıl içinde 2'den 30 veri bilimcisine kadar büyümüştür.¹⁰

6. Akıllı üretim: Tahmine dayalı bakım

Endüstri 4.0 ilerledikçe, AI destekli tahmine dayalı bakım, üreticilerin duruş süresini azaltmasına, ekipman ömrünü uzatmasına ve verimliliği artırmasına yardımcı olur. Ancak, uygulaması veri gizliliği, güvenlik ve sınır ötesi paylaşım kısıtlamaları dahil olmak üzere zorluklarla karşı karşıyadır.

Yedekli öğrenme, üreticilerin hassas endüstriyel verileri transfer etmeden tahmine dayalı bakım modelleri geliştirmesine olanak tanıyarak bu sorunları ele alır. Bilgiyi birden fazla tesis veya müşteriden merkezi bir depoya toplamak yerine, yedekli öğrenme her sitenin modelleri yerel olarak eğitmesine olanak tanır. Bu modeller daha sonra mülkiyet verilerini ortaya çıkarmadan küresel bir tahmin sistemine içgörüler sağlar.

Tahmine dayalı bakım için yedekli öğrenmenin temel faydaları şunlardır:

• Gizlilik koruyucu AI: Endüstriyel veriler yerinde kalır; mülkiyet veya hassas operasyonel verilerin dış kuruluşlarla paylaşılmasıyla ilgili endişeleri ortadan kaldırır.
• Sınır ötesi uyum: Birçok üretici, her birinin farklı veri koruma düzenlemelerine sahip olduğu birden fazla ülkede faaliyet gösterir. Yedekli öğrenme, verileri yerel tutarken kolektif zekadan faydalanarak uyumu sağlar.
• Çeşitli ekipman ve koşullara uyum: Üretim ortamları, makineler, iş yükü ve operasyonel ayarlara göre geniş ölçüde değişir. Yedekli öğrenme, tahmin modellerinin yerel koşullara uyarlanmasına ve ekipman arıza kalıplarına dair daha geniş bir anlayışa katkıda bulunmasına olanak tanır.

Tahmine dayalı bakımı aşan yedekli öğrenme, gerçek zamanlı kalite kontrolü, enerji verimliliği optimizasyonu ve PM2.5 tespiti için akıllı şehirlerde hava kalitesi tahminleri dahil olmak üzere akıllı üretimde de uygulanmaktadır.

7. Robotik

Robotik, basit görevlerden karmaşık navigasyona kadar algılama, karar verme ve kontrol için makine öğrenimine bağımlıdır. Uygulamalar büyüdükçe, sürekli öğrenme ve uyum sağlama esastır; ancak merkezi eğitim, özellikle çoklu robot sistemlerinde veri transferi, gizlilik ve iletişim zorluklarıyla karşı karşıyadır.

Yedekli öğrenme, robotların modellerini işbirlikçi bir şekilde iyileştirmesine ve verileri yerel tutmasına olanak tanır. Bu merkezi olmayan yaklaşım, iletişim bant genişliği sınırlamalarının bir zorluk olabileceği çoklu robot navigasyonu için özellikle yararlıdır.

Sürekli veri iletimine merkezi bir sunucuya güvenmek yerine, yedekli öğrenme robotların yerel deneyimlerinde eğitim yapmasına ve yalnızca gerekli model güncellemelerini paylaşmasına olanak tanır; bu da ağ kaynaklarını aşırı yüklemeden öğrenme verimliliğini optimize eder.

Robotikte yedekli öğrenmenin temel faydaları şunlardır:

• İyileştirilmiş otonomi için merkezi olmayan öğrenme: Robotlar algılama ve kontrol modellerini yerel olarak iyileştirebilir; bulut tabanlı güncellemelere bağımlılığı azaltır ve yeni ortamlara daha hızlı uyum sağlamayı sağlar.
• Verimli çoklu robot işbirliği: Robot grupları, aşırı veri transferi olmadan öğrenilmiş deneyimleri değiştirebilir; bu da yedekli öğrenmeyi filo yönetimi, depo otomasyonu ve sürü robotiği için ideal hale getirir.
• Gelişmiş gizlilik ve güvenlik: Hassas operasyonel veriler her robotik sistem içinde kalır; endüstriyel veya askeri uygulamalarda veri maruziyetiyle ilgili endişeleri azaltır.
• Çeşitli ortamlarda ölçeklenebilirlik: Fabrikalar, hastaneler veya kentsel alanlar gibi farklı konumlarda çalışan robotlar, küresel bir modele içgörüler sağlayabilirken yine de belirli çevrelerine uyum sağlayabilir.

Gerçek yaşam örneği: Robotik Sürülerin Kolektif Navigasyonu için Yedekli Pekiştirmeli Öğrenme

Derin Pekiştirmeli Öğrenme'de (DRL) son gelişmeler, özellikle sürü robotik sistemleri için otomatik denetleyici tasarımı sağlayarak robotiği geliştirmiştir. Bu sistemler, koordine kolektif davranış elde etmek için tek robot kurulumlarından daha sofistike denetleyicilere ihtiyaç duyar.

DRL tabanlı denetleyici tasarımı etkili olduğunu kanıtlamış olsa da, merkezi bir eğitim sunucusuna bağımlılığı, kararsız veya sınırlı iletişime sahip gerçek dünya ortamlarında zorluklar yaratır.

Bunu çözmek için, son bir makale, sürü robotiği için özel olarak tasarlanmış yeni bir Yedekli Öğrenme (FL) tabanlı DRL eğitim stratejisi olan FLDDPG'yi tanıttı.

Sınırlı iletişim bant genişliği altında karşılaştırmalı değerlendirmeler, FLDDPG'nin çeşitli ortamlarda ve gerçek robotlarda iyileştirilmiş genelleştirme sunduğunu, temel yöntemlerin ise bant genişliği kısıtlamaları altında zorlandığını göstermektedir.

Bulgular, yedekli öğrenmenin kısıtlı iletişim bant genişliğine sahip ortamlarda çoklu robot navigasyonunu geliştirdiğini ve gerçek dünya, öğrenme tabanlı robotik uygulamalardaki temel bir zorluğu ele aldığını göstermektedir.¹¹

Yedekli öğrenme nedir?

Yedekli öğrenme, birden fazla katılımcının yerel verileri kullanarak modeller eğittiği ve ham verilerin yerinde kalırken yalnızca model güncellemelerini veya hesaplanmış bilgileri paylaştığı işbirlikçi bir makine öğrenimi paradigmasıdır. Çoğu pratik FL sistemi, eğitim turunu koordine etmek için hala merkezi bir toplayıcı kullanır.

Ham eğitim verilerini aktarmak yerine, katılımcılar toplama için model güncellemelerini veya gradyanları gönderir. Ancak, güvenli toplama, diferansiyel gizlilik veya şifreleme korumaları gibi ek teknikler olmadan yalnızca güncellemeleri paylaşmak gizliliği garanti etmez.

Eğitim verilerini yerel tutarak ve içgörülerini birleştirerek, yedekli öğrenme model doğruluğunu iyileştirmek için dağıtık verilerden yararlanırken veri gizliliğini artırır.

Yedekli öğrenme nasıl çalışır?

Makine öğreniminde iki adım vardır: eğitim ve çıkarım.

Eğitim adımında:

1. Yerel makine öğrenimi (ML) modelleri, yerel heterojen veri kümeleri üzerinde eğitilir. Örneğin, kullanıcılar bir makine öğrenimi uygulamasını kullandıkça, makine öğrenimi uygulamasının tahminlerindeki hataları fark eder ve bu hataları düzeltirler. Bunlar, her kullanıcının cihazında yerel eğitim veri kümeleri oluşturur.
2. Modellerin parametreleri bu yerel veri merkezleri arasında periyodik olarak değiş tokuş edilir. Birçok modelde, bu parametreler değiş tokuş edilmeden önce şifrelenir. Yerel veri örnekleri paylaşılmaz. Bu, veri korumayı ve siber güvenliği iyileştirir.
3. Paylaşılan bir küresel model oluşturulur.
4. Küresel modelin özellikleri, küresel modeli ML yerel modellerine entegre etmek için yerel veri merkezleriyle paylaşılır.

Örneğin, Nvidia'nın Clara çözümü yedekli öğrenmeyi içerir. Clara ve Nvidia EGX, farklı sitelerden (ancak eğitim verisi olmayan) model güncellemelerinin güvenli bir şekilde toplanması yoluyla öğrenmeyi sağlar. Bu, modellerin veri gizliliğini korurken küresel bir model kurmasına yardımcı olur (Aşağıdaki Şekile bakın).

Şekil 1: Yedekli öğrenmenin nasıl çalıştığını gösteren bir NVIDIA örneği.¹²

Çıkarım adımında, model kullanıcı cihazında saklanır; böylece tahminler kullanıcı cihazındaki model kullanılarak hızlıca hazırlanır.

Yedekli öğrenmede dağıtık eğitim

Yedekli öğrenme ve dağıtık eğitim farklı kavramlardır: yedekli öğrenme, merkezi olmayan verilerle işbirlikçi eğitime atıfta bulunurken, dağıtık eğitim (bir katılımcı içindeki düğümler arasında paralel hesaplama) yerel bir optimizasyon stratejisidir ve FL'nin kendisine özgü değildir.

Yedekli öğrenmede, hastaneler, mobil cihazlar veya kuruluşlar gibi istemciler, modelleri yerel verilerinde bağımsız olarak eğitir ve yalnızca model güncellemelerini merkezi bir toplayıcı ile paylaşır.

Bazı istemciler birden fazla GPU, sunucu veya kenar düğümine erişime sahip olabilir. Bu kaynaklar, yerel eğitimi hızlandırmak veya ölçeklendirmek için paralel olarak kullanılabilir. Bu kurulum bir hiyerarşi oluşturur:

• En üst seviyede, birden fazla istemci yedekli öğrenmeye katılır.
• Yerel seviyede, her istemci mevcut altyapısı üzerinde dağıtık eğitim kullanabilir.

Yerel dağıtık eğitim şu şekilde izlenebilir:

• Veri paralelliği: Her işçi, modelin bir kopyasını tutar ve yerel verinin bir alt kümesinde eğitim yapar.
• Model paralelliği: Model işçiler arasında bölünür; bu, tek bir cihazın belleğine sığmayan büyük modeller için yararlıdır.

Dağıtık eğitimi yedekli öğrenme ile birleştirmenin temel faydaları

1. İyileştirilmiş ölçeklenebilirlik

Büyük veri kümeleri veya hesaplama açısından yoğun modelleri olan istemciler, tek bir makinede eğitimi verimli bir şekilde tamamlamakta zorlanabilir.

Dağıtık eğitim, istemcinin birden fazla düğüm veya cihazdan yararlanmasını sağlar; böylece verimliliği artırır ve daha büyük iş yüklerini destekler.

2. Verimli kaynak kullanımı

Kuruluşlar genellikle yerel kümeler veya boşta kalan hesaplama kaynaklarına sahiptir. Yedekli öğrenme içinde dağıtık eğitimi kullanmak, veri merkezileştirmeden bu kaynaklardan tam olarak yararlanmalarını sağlar.

3. Daha hızlı yerel eğitim

Dağıtık hesaplama, yerel model güncellemeleri için duvar saati süresini azaltır. Bu, her yedekli öğrenme turunu kısaltabilir ve istemciler arasında genel eğitim süresini azaltabilir.

4. Sorumlulukların ayrılması

Yedekli eğitim ve yerel dağıtık eğitim birbirinden bağımsız olarak çalışır. Yedekli sunucu, istemci kaynaklarının iç planlamasını veya koordinasyonunu yönetmek zorunda değildir. Bu modüler tasarım, hem dağıtımı hem de bakımı basitleştirir.

5. Esnek sistem tasarımı

Farklı istemciler, hesaplama ortamlarına göre farklı yerel eğitim yapılandırmaları seçebilir. Bazıları tek düğümlü eğitim kullanırken, diğerleri dağıtık kurulumlar kullanır. Yedekli protokol değişmeden kalır.

Neden şimdi önemli?

Doğru makine öğrenimi modelleri şirketler için değerlidir, ancak geleneksel merkezi makine öğrenimi sistemlerinin, kenar cihazlarında sürekli öğrenme eksikliği ve merkezi sunucularda özel verilerin toplanması gibi eksiklikleri vardır. Bunlar yedekli öğrenme ile hafifletilir.

Geleneksel makine öğreniminde, merkezi bir ML modeli, merkezi bir ortamda mevcut tüm eğitim verileri kullanılarak oluşturulur. Bu, merkezi bir sunucu tahminleri sağlayabildiğinde sorunsuz çalışır.

ancak, mobil bilişimde kullanıcılar hızlı yanıtlar talep eder ve kullanıcı cihazı ile merkezi sunucu arasındaki iletişim süresi iyi bir kullanıcı deneyimi için çok yavaş olabilir. Bunu aşmak için model son kullanıcı cihazına yerleştirilebilir, ancak ardından modeller tam bir veri kümesi üzerinde eğitildiği ve son kullanıcı cihazının buna erişimi olmadığı için sürekli öğrenme zorlaşır.

Geleneksel makine öğrenimindeki başka bir zorluk, kullanıcı verilerinin eğitim için merkezi bir konumda toplanmasıdır; bu, belirli ülkelerin gizlilik politikalarını ihlal edebilir ve verileri ihlallere karşı daha savunmasız hale getirebilir.

Yedekli öğrenme, kullanıcı verilerinin cihazda kalmasını sağlarken son kullanıcı cihazlarındaki yerel veriler aracılığıyla sürekli öğrenmeyi sağlayarak bu zorlukların üstesinden gelir.

Son zamanlarda, yedekli öğrenme ayrıca, veri kendisini ortaya çıkarmadan kuruluşların temel modelleri (örneğin Llama 3, Mistral veya Gemini) özel verilere uyarladığı yedekli ince ayarın bir temel taşı haline gelmiştir.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

Yedekli öğrenmenin zorlukları

Yatırım gereksinimleri

Yedekli öğrenme modelleri, düğümler arasında sık iletişim gerektirebilir. Bu, depolama kapasitesi ve yüksek bant genişliğinin sistem gereksinimleri arasında olduğu anlamına gelir.

Veri gizliliği

• Veri gizliliği, yedekli öğrenmede tek bir varlık/sunucuda toplanmadığı için önemli bir sorundur; veri toplamak ve analiz etmek için birden fazla cihaz vardır. Bu, saldırı yüzeyini artırabilir.
• Sadece modellerin ham veriler yerine merkezi sunucuya iletildiği durumlarda bile, modeller istemci verilerini belirlemek için tersine mühendislikle çözülebilir.

Performans sınırlamaları

• Veri heterojenliği: Yedekli öğrenmede daha iyi bir model oluşturmak için çeşitli cihazlardan modeller birleştirilir. Cihaz özel özellikleri, bazı cihazlardan modellerin genelleştirilmesini sınırlayabilir ve modelin sonraki versiyonunun doğruluğunu azaltabilir.
• Dolaylı bilgi sızıntısı: Araştırmacılar, federasyon üyelerinden birinin ortak küresel modele gizli arka kapılar ekleyerek diğerlerine saldırganca saldırabileceği durumları göz önünde bulundurmaktadır.
• Yedekli öğrenme, nispeten yeni bir makine öğrenimi prosedürüdür. Performansını iyileştirmek için yeni çalışmalar ve araştırmalar gereklidir.

Merkezileşme

Yedekli öğrenmede, merkezi bir modelin yeni bir model oluşturmak için diğer cihazların çıktısını kullandığı bir merkezileşme derecesi hala vardır. Araştırmacılar, sıfır güven yedekli öğrenme modelleri oluşturmak için zincirli yedekli öğrenme (BlockFL) ve diğer yaklaşımları kullanmayı önermektedir.

Yedekli öğrenme için alternatifler nelerdir?

Yedekli öğrenme gizlilik faydaları sunarken, sınırlamalarını ele almak ve çeşitli senaryolara uyum sağlamak için birkaç alternatif yaklaşım ve çerçeve geliştirilmiştir. İşte bazı alternatifler:

Merkezi veya geleneksel makine öğrenimi

Merkezi bir makine öğrenimi sisteminde, farklı kaynaklardan gelen tüm veriler bulut sunucusu veya şirket veri merkezi gibi tek bir konumda toplanır ve saklanır. Model daha sonra bu birleştirilmiş veri kümesi kullanılarak eğitilir.

Temel özellikler:

• Model tüm mevcut verilere doğrudan erişime sahiptir.
• Veri ön işleme ve model eğitimi merkezi bir sunucuda gerçekleşir.
• Müşteriler veya veri sahipleri, analiz için verilerini merkezi sisteme aktarır.

Avantajlar:

• Eğitim süreci yönetmek ve izlemek daha basittir.
• Tüm kayıtlar tek bir yerde olduğu için veri tutarlılığı kolayca korunur.
• Model performansı, tüm veri varyasyonlarına tam erişimden faydalanabilir.

Sınırlamalar:

• Veri transferi yasa veya şirket politikası tarafından kısıtlandığında gizlilik ve uyum sorunları ortaya çıkabilir.
• Sunucu çevrimdışı olduğunda veya bir güvenlik ihlali yaşandığında, tek bir başarısızlık noktası tüm sistemi devre dışı bırakabilir.
• Büyük veri kümelerini aktarmak bant genişliği kullanımını ve işleme maliyetlerini artırabilir.

Bu yaklaşım, gizliliğin önemli bir endişe olmadığı ve tüm verilerin düzenleyici çatışmalar olmadan güvenli bir şekilde merkezileştirilebildiği durumlarda en uygunudur.

Güvenli çok taraflı hesaplama

Güvenli çok taraflı hesaplama (SMPC), birden fazla tarafın bireysel veri kümelerini ortaya çıkarmadan ortak bir fonksiyon hesaplamasını sağlayan bir şifreleme tekniğidir. Her katılımcı verisini şifreler ve hesaplama, yalnızca nihai model çıktısını gösteren bir şekilde ilerler.

Temel özellikler:

• Taraflar, ham verileri gizli tutarken model eğitmek için işbirliği yapar.
• Sırlı paylaşım ve homomorfik şifreleme gibi şifreleme teknikleri yaygın olarak kullanılır.
• Tek bir katılımcının tam veri kümesine erişimi yoktur.

Avantajlar:

• Tüm eğitim süreci boyunca hassas verileri korur.
• Kuruluşların veri paylaşılamadığında bile model geliştirmesi üzerinde işbirliği yapmasına olanak tanır.
• GDPR gibi gizlilik düzenlemeleriyle uyumu artırır.

Sınırlamalar:

• Şifreleme işlemleri nedeniyle hesaplama gereksinimleri yüksektir.
• Taraf arasındaki iletişim yavaş olabilir; bu da ölçeklenebilirliği etkileyebilir.
• Uygulama karmaşıklığı katılımcı sayısı arttıkça artar.

SMPC, güçlü gizlilik gereksinimlerinin bulunduğu ve güvenli bir hesaplama altyapısının mevcut olduğu durumlarda uygundur.

Diferansiyel gizlilik

Diferansiyel gizlilik (DP), bir veri kümesindeki tek bir veri noktasının analizden sonra ayırt edilememesini veya çıkarılamamasını sağlar. Bunu, eğitim verisine veya model güncellemelerine genellikle gürültü biçiminde kontrollü rastgelelik ekleyerek başarır.

Temel özellikler:

• Gizlilik, epsilon (ε) adı verilen bir parametre kullanılarak matematiksel olarak nicelendirilir.
• Yöntem, bireylerin veri katkılarını, tüm veri kümesi paylaşılsa bile korur.
• Merkezi ve dağıtık sistemlere uygulanabilir.

Avantajlar:

• Ölçülebilir bir gizlilik koruma seviyesi sunar.
• Yedekli öğrenme gibi diğer öğrenme teknikleriyle birleştirilebilir.
• Veri yeniden tanımlama riskini sınırlar.

Sınırlamalar:

• Aşırı gürültü model doğruluğunu azaltabilir.
• Doğru gizlilik bütçesinin (ε) seçilmesi dikkatli ayar gerektirir.
• Başlı başına dağıtık koordinasyonu veya hesaplamayı ele almaz.

Diferansiyel gizlilik, veri kullanımı ve gizlilik koruması arasında denge kurması gereken kuruluşlar için uygundur.

Gossip veya eşler arası öğrenme

Gossip öğrenme, eşler arası öğrenme olarak da bilinir ve merkezi bir sunucuya olan ihtiyacı ortadan kaldırır. Her düğüm veya istemci yerel bir model eğitir ve güncellemeleri doğrudan komşu düğümlerle paylaşır. Zamanla bu güncellemeler ağ üzerinden yayılır ve modeller yakınsar.

Temel özellikler:

• Düğümler, merkezi bir toplayıcı yerine eşlerle yerel olarak iletişim kurar.
• Model parametreleri veya gradyanları merkezi olmayan bir şekilde değiş tokuş edilir.
• Öğrenme ağ üzerinde asenkron olarak gerçekleşir.

Avantajlar:

• Merkezi bir koordinatör olmadığı için tek bir başarısızlık noktası yoktur.
• IoT veya kenar ortamları gibi dinamik ağlarda etkili bir şekilde çalışabilir.
• Güvenilir bir merkezi varlığa olan bağımlılığı azaltır.

Sınırlamalar:

• Rastgele eş değiş tokuşları nedeniyle iletişim yükü artabilir.
• Merkezi toplama ile karşılaştırıldığında yakınsama daha yavaş olabilir.
• Tamamen merkezi olmayan sistemlerde izleme ve kontrol daha zordur.

Bu yaklaşım, merkezi bir sunucunun sürdürülemediği veya güvenilmediği dağıtık sistemler için etkilidir.

Bölünmüş öğrenme

Bölünmüş öğrenme, bir makine öğrenimi modelini iki veya daha fazla segmente böler. İlk segment, yerel verileri kullanarak istemci cihazında eğitilir ve çıktısı (aktivasyonları) kalan eğitimi tamamlayan bir sunucuya gönderilir.

Temel özellikler:

• Model istemciler ve merkezi bir sunucu arasında bölünür.
• Müşteriler asla ham verileri paylaşmaz; yalnızca ara çıktılar iletilir.
• Sistem, eğitim sırasında istemci ve sunucu arasında koordinasyon gerektirir.

Avantajlar:

• Sadece modelin bir kısmını eğiterek istemciler üzerindeki hesaplama gereksinimlerini azaltır.
• Ham verilerin yerel kalması nedeniyle bir dereceye kadar veri gizliliği sağlar.
• Mevcut bulut altyapısı ile entegre edilebilir.

Sınırlamalar:

• Ara aktivasyonlar, yakalanırsa bazı veri bilgilerini hala ortaya çıkarabilir.
• İstemci ve sunucu arasında kararlı iletişim gerektirir.
• Derin veya çok katmanlı modeller için uygulama karmaşıklığı artar.

Bölünmüş öğrenme, sınırlı istemci kaynaklarına sahip ortamlarda veya gizlilik kısıtlamaları tam veri paylaşımını engellediğinde uygundur.

Transfer öğrenme ve model damıtma

Transfer öğrenme ve model damıtma, doğrudan veri paylaşımı olmadan işbirliğini sağlar. Her kuruluş veya cihaz kendi modelini yerel olarak eğitir ve ardından merkezi bir model, iç parametreleri yerine bu bireysel modellerin çıktılarından veya tahminlerinden öğrenir.

Temel özellikler:

• Bilgi, tam model ağırlıkları yerine tahminler aracılığıyla transfer edilir.
• Küresel model, tüm katılımcıların kolektif deneyimi kullanılarak iyileştirilir.
• Yerel modeller bağımsız kalır ve uzmanlaşmaya devam edebilir.

Avantajlar:

• Sadece damıtılmış bilgiyi paylaşarak iletişim hacmini azaltır.
• Katılımcılar arasında model mimarilerinde esneklik sağlar.
• Heterojen veri kaynaklarıyla bile makul performans elde edebilir.

Sınırlamalar:

• Damıtma süreci sırasında bazı bilgi kaybı oluşur.
• Küresel model kalitesi yerel modellerin doğruluğuna bağlıdır.
• Yedekli öğrenmenin koordine senkronizasyonundan yoksundur.

Bu yöntem, istemci verileri son derece çeşitli olduğunda veya istemciler farklı model türleri kullandığında pratiktir.

Hibrit veya birleştirilmiş mimariler

Hibrit sistemler, belirli zorlukları ele almak için birkaç gizlilik koruyucu yöntemden unsurları birleştirir. Örnekler arasında yedekli öğrenmenin diferansiyel gizlilik, güvenli çok taraflı hesaplama ile birleştirilmesi veya bölgesel toplayıcıların merkezi bir sunucu ile iletişim kurduğu hiyerarşik mimariler yer alır.

Temel özellikler:

• Sistemin farklı katmanları veya modülleri farklı gizlilik teknikleri kullanır.
• Ölçeklenebilirlik için bölgesel veya kademeli toplama içerebilir.
• Sıklıkla düzenleyici ve performans gereksinimlerini karşılamak için özelleştirilir.

Avantajlar:

• Gizlilik, doğruluk ve hesaplama maliyeti arasında denge sağlama esnekliği sunar.
• Büyük ölçekli veya coğrafi olarak dağıtık veri kaynaklarını yönetebilir.
• Kuruluşların belirli kısıtlamalar için mimarileri özelleştirmesine olanak tanır.

Sınırlamalar:

• Çoklu bileşenler arasındaki etkileşimler nedeniyle uygulama karmaşıktır.
• Sistem bakımı ve hata ayıklama gelişmiş uzmanlık gerektirir.
• İletişim protokolleri karmaşık ve kaynak yoğun hale gelebilir.

Hibrit yaklaşımlar, çeşitli yasal ve teknik koşullar altında birden fazla veri kümesini yönetmesi gereken büyük kuruluşlar için pratiktir.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Yedekli Öğrenme: 7 Kullanım Alanı & Örnekler}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/federated-learning}},
  note   = {AIMultiple. Erişim tarihi: 11 Haziran 2026}
}

Referans Linkleri

1.

ResearchGate - Temporarily Unavailable

2.

https://arxiv.org/pdf/2510.14991

3.

Federated AI in Finance

4.

Lifebit Launches the World’s First Agentic Federated

Lifebit

5.

MELLODDY | IHI Innovative Health Initiative

6.

What is federated learning? | Owkin

Owkin

7.

Announcing MedPerf Open Benchmarking Platform for Medical AI - MLCommons

8.

Federated Learning in Autonomous Vehicles Using Cross-Border Training | NVIDIA Technical Blog

NVIDIA Developer

9.

[2202.01141] Federated Reinforcement Learning for Collective Navigation of Robotic Swarms

10.

Federated Learning powered by NVIDIA Clara | NVIDIA Technical Blog

NVIDIA Developer

11.

GitHub - flwrlabs/flower: Flower: A Friendly Federated AI Framework · GitHub

12.

Federated Learning powered by NVIDIA Clara | NVIDIA Technical Blog

NVIDIA Developer

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. Cem'in çalışmaları, Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da e-posta pazarlama ve satış videoları üzerine odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder