Federe Öğrenme: 7 Kullanım Alanı ve Örnek

Federe öğrenme (FL), modellerin hassas bilgileri gizli tutarken ve veri yerelleştirme ile gizlilik yasalarına uyumu sağlarken merkezi olmayan verilerden öğrenmesini sağlar.

Federe öğrenmenin ne olduğunu, nasıl çalıştığını, gerçek hayattan örneklerle yaygın kullanım alanlarını, potansiyel zorlukları ve alternatiflerini keşfedin.

Federe öğrenmenin kullanım alanları ve örnekleri

Federe öğrenme, veri hassasiyeti, merkezsizlik ve gerçek zamanlı uyarlamanın kritik olduğu çok çeşitli AI sistemlerini destekler. İş birliğine dayalı model eğitimini mümkün kılarak etmen tabanlı AI, finans, mobil uygulamalar, sağlık hizmetleri, otonom ulaşım, akıllı üretim ve robotik alanlarında giderek daha fazla uygulanmaktadır:

1. Etmen tabanlı AI

Federe öğrenme, her etmenin kendi etkileşimlerinden veya ortamından doğrudan öğrenmesini sağlar. Etmen daha sonra ham verileri ifşa etmeden, gizliliği koruyan model güncellemelerini ortak bir öğrenme sürecine katkı olarak sunar.

Bu yaklaşım, etmenlerin gizliliğe, veri sahipliğine ve düzenleyici gerekliliklere saygı gösterirken kolektif deneyimden öğrenerek sürekli gelişmesini sağlar.

Sonuç olarak, etmen tabanlı AI gizlilik bilincini korurken kişiselleştirilmiş ve uyarlanabilir kalabilir; bu da federe öğrenmeyi, etmenlerin bağımsız çalışması gereken ancak yine de kullanıcılar, cihazlar veya kuruluşlar genelinde gözlemlenen örüntülerden faydalanması beklenen hassas ortamlar için özellikle uygun hale getirir.

Gerçek hayattan örnek: Gizliliği koruyan IoT saldırı tespit çerçevesi

Geleneksel merkezi saldırı tespit sistemleri, hassas verilerin toplanmasına dayanır ve bu da iletişim yükü, gizlilik endişeleri ve tek hata noktaları oluşturur. Bu sınırlamaların üstesinden gelmek için, "Etmen Tabanlı AI'nın Federe Öğrenme ile Entegrasyonu: Gizliliği Koruyan IoT Saldırı Tespiti" başlıklı çalışma, Etmen Tabanlı AI ile Federe Öğrenmeyi (FL) birleştiren gizliliği koruyan bir IoT saldırı tespit çerçevesi önermektedir.

FL merkezi olmayan model eğitimini sağlarken, Etmen Tabanlı AI gelişen tehditlere yanıt vermek için uyarlanabilir, kendi kendine öğrenen ve otonom karar verme yetenekleri ekler.

Çerçeve, doğruluk ve gizliliği dengelemek için yerel anomali tespiti, güvenli toplama ve hafif iletişim kullanır; etmen bileşenleri savunmaları gerçek zamanlı olarak optimize eder.¹

2. Finans uygulamaları

Federe öğrenme, finans kuruluşlarının ham verileri paylaşmadan AI modellerini iş birliği içinde eğitmelerini sağlar; böylece her kuruluş hassas bilgileri yerel tutarken daha güçlü bir ortak modele katkıda bulunabilir.

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

Gerçek hayattan örnek: Federe Öğrenmenin Finansal Güvenliği İyileştirmedeki Rolü

Yakın tarihli bir makale, özellikle dijital finans ve ATM'ler ile POS cihazları gibi IoT özellikli uç noktaların büyük hacimlerde hassas veri ürettiği modern finansal sistemlerde güvenliği ve gizliliği artırmak için umut verici bir çözüm olarak federe öğrenmeyi (FL) incelemektedir.

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

FL gizlilik, uyumluluk ve ölçeklenebilirlik açısından net faydalar sunarken, makale aynı zamanda veri heterojenliği, düşmanca saldırılar, yorumlanabilirlik ve düzenleyici entegrasyon gibi devam eden zorlukların da altını çizmektedir.²

Gerçek hayattan örnek: Flower ve Banking Circle

Flower'ın federe öğrenme platformu, finans kuruluşlarının merkezi olmayan veriler üzerinde AI modellerini iş birliği içinde eğitmelerine yardımcı olarak dolandırıcılık tespiti, risk değerlendirmesi ve diğer analitik görevler için gizliliği, güvenliği, uyumluluğu ve tahmin doğruluğunu iyileştirir.

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

ABD'ye genişledikçe, işlem örüntülerindeki farklılıklar ve katı veri aktarım kısıtlamaları, yalnızca Avrupa verileriyle eğitilen modellerin etkinliğini sınırladı. Bu sorunu çözmek için Banking Circle, Flower'ın federe öğrenme platformunu benimseyerek şirketin hassas verileri sınırlar ötesine taşımadan AML modellerini bölgeler arasında eğitmesini sağladı.

Bu yaklaşım, ABD modelinin yerel olarak uyumlu kalırken Avrupa içgörülerinden öğrenmesine olanak tanıdı ve iyileştirmeler Avrupa sistemine geri beslendi.³

3. Mobil uygulamalar

Mobil uygulamalar, sonraki kelime tahmini, yüz algılama ve ses tanıma gibi kişiselleştirme için makine öğrenmesi sistemlerini kullanır. Ancak, geleneksel AI eğitimi kullanıcı verilerini merkezileştirerek gizlilik, güvenlik ve veri yönetişimi konusunda endişelere yol açar. Federe öğrenme, modellerin ham kullanıcı verilerini iletmeden bir cihaz ağı üzerinde eğitilmesine olanak tanıyarak bu zorlukları ele alır.

İşte mobil uygulamalar için federe öğrenmenin bazı avantajları:

• Gizliliği koruyan AI: Hassas kullanıcı verileri cihazda kalır, veri ifşası risklerini azaltırken model doğruluğunu iyileştirir.
• Kişiselleştirilmiş ve uyarlanabilir modeller: Uygulamalar, sürekli bulut güncellemelerine ihtiyaç duymadan bireysel kullanım örüntülerine göre AI modellerini ince ayar yapabilir.
• Daha düşük bant genişliği kullanımı: Büyük veri kümelerini yüklemek yerine model güncellemeleri paylaşılır, bu da federe öğrenmeyi mobil ağlar için verimli hale getirir.
• Gelişmiş güvenlik: Verileri merkezi olmayan şekilde tutarak, federe öğrenme merkezi veri depolama ve ihlallerle ilişkili riskleri azaltır.

Bu yaklaşım, tahmini metin ve otomatik düzeltme için akıllı telefon klavyelerinde, konuşma tanıma için sesli asistanlarda ve yüz ile parmak izi tanıma için biyometrik kimlik doğrulamada kullanılmaktadır.

Gerçek hayattan örnek: Google ve konuşma modellerinin iyileştirilmesi

Google, Google Asistan'daki "Hey Google" algılaması gibi cihaz üzerinde makine öğrenmesi sistemlerini geliştirmek için federe öğrenmeyi kullanır ve kullanıcıların sesli komutlar vermesini sağlar. Bu yaklaşım, ses verilerini Google'ın sunucularına iletmeden doğrudan kullanıcıların cihazlarında konuşma modellerinin eğitilmesine olanak tanıyarak kullanıcı gizliliğini korur.

Federe öğrenme, verileri yerel olarak işleyerek ses tanıma yeteneklerini geliştirir ve kişisel ses bilgilerinin cihazda kalmasını sağlar.

4. Sağlık hizmetleri

Federe öğrenme, hasta verilerini gizli tutarken güçlü AI eğitimini mümkün kılarak sağlık hizmetlerine ve sağlık sigortasına fayda sağlar.

Hastanelerin ve kurumların tıbbi kayıtları tek bir havuza topladığı geleneksel veri merkezileştirmesi, veri yönetişimi, güvenlik ve HIPAA ile GDPR gibi düzenlemelere uyum konusunda önemli endişelere yol açar.

Federe öğrenme, doğrudan veri paylaşımı gerektirmeden birden fazla kurum arasında iş birliğine dayalı model eğitimini mümkün kılarak bu sorunların yönetilmesine yardımcı olur.

Bu yaklaşım çeşitli avantajlar sunar:

• Gelişmiş gizlilik ve güvenlik: Hassas hasta verileri orijinal kaynağında kalır, ifşa ve veri ihlali risklerini azaltır.
• İyileştirilmiş veri çeşitliliği: Farklı hastanelerden, araştırma merkezlerinden ve elektronik sağlık kayıtlarından gelen veri kümeleri üzerinde eğitim yaparak, federe öğrenme modellerin nadir hastalıkları tanımasını ve farklı popülasyonlar genelinde teşhis doğruluğunu iyileştirmesini sağlar.
• Ölçeklenebilir tıbbi AI: Makine öğrenmesi modelleri, birden fazla kurumdan gelen gerçek dünya verileri üzerinde sürekli olarak rafine edilebilir, bu da daha güvenilir tahmine dayalı analitik ve daha iyi hasta sonuçlarına yol açar.

Gerçek hayattan örnek: Lifebit'in Etmen Tabanlı Federe Platformu

Lifebit, dünyanın ilk tamamen etmen tabanlı Güvenilir Araştırma Ortamı (TRE) olan Etmen Tabanlı Federe Platformu duyurdu. Şu anda beta aşamasında olan platform, araştırmacıların tek bir AI odaklı konuşma arayüzü üzerinden hassas biyomedikal verileri güvenli bir şekilde yönetmelerini ve analiz etmelerini sağlıyor.

Lifebit'e göre platform, kullanıcıların doğal dil aracılığıyla uçtan uca araştırma yapmalarına olanak tanıyarak veri uyumlulaştırma, kohort oluşturma ve biyoinformatik analizleri gibi karmaşık araştırma iş akışlarını basitleştiriyor. Hem etkileşimli hem de toplu araçları (ör. R, Jupyter, Nextflow) destekliyor, yerleşik sorun giderme ve dokümantasyon sağlıyor ve GWAS ile hedef belirleme gibi AI destekli genomik yetenekleri içeriyor.

Şirket, platformu geleneksel TRE'lere kıyasla daha güvenli, denetlenebilir ve kullanıcı dostu olarak konumlandırıyor ve federe veri yönetişimi standartlarına sıkı uyumu korurken araştırmayı hızlandırmayı hedefliyor.⁴

Gerçek hayattan örnek: MELLODDY

MELLODDY projesi (Machine Learning Ledger Orchestration for Drug Discovery), Yenilikçi İlaçlar Girişimi (IMI) tarafından finanse edilen bir Avrupa araştırma girişimidir. Proje, 10 ilaç şirketini, akademik ve teknoloji ortaklarını bir araya getirerek federe öğrenmenin gizli verileri paylaşmadan ilaç keşfini nasıl hızlandırabileceğini göstermiştir.

Şirketlerin son derece hassas olarak değerlendirdiği özel veri kümelerini bir araya getirmek yerine, MELLODDY her şirketin verilerini kendi güvenlik duvarının arkasında tutan ve iş birliğine dayalı öğrenme için ham verileri değil model güncellemelerini paylaşan gizliliği koruyan bir federe makine öğrenmesi platformu geliştirmiştir.

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

Makine öğrenmesi algoritmalarını herhangi bir şirketin tek başına sahip olduğundan çok daha fazla veriye maruz bırakarak, MELLODDY ilaç adaylarının biyolojik aktivitesini ve toksikolojisini tahmin etmede iyileştirilmiş tahmin performansı ve daha geniş model uygulanabilirliği göstermiştir.⁵

Gerçek hayattan örnek: Owkin

Bir biyoteknoloji şirketi olan Owkin, hassas verileri merkezileştirmeden birden fazla tıbbi ve araştırma kurumu genelinde AI modellerini eğitmek için federe öğrenmeyi kullanır.

Tüm hasta verilerini tek bir yerde toplamak yerine, Owkin'in yaklaşımı verileri depolandığı yerde (ör. hastane sunucularında) tutar ve makine öğrenmesi algoritmalarını verilere taşır.

Modeller her ortağın veri kümesinde yerel olarak eğitilir ve model güncellemeleri geri paylaşılıp birleştirilerek küresel bir model oluşturulur. Bu, araştırmacıların ve klinisyenlerin herhangi bir kurumun tek başına sağlayabileceğinden daha çeşitli bir veri kümesinden faydalanmasını sağlar; böylece tahmin algoritmalarının performansını iyileştirirken hasta gizliliğini ve veri egemenliğini korur.

Owkin, bu tekniği özellikle iş birliğine dayalı sağlık AI'sı (tedavi sonuçlarını tahmin etme gibi) için güçlü ve gizlilikten ödün vermeden hassas tıbbı ölçeklendirmenin bir yolu olarak konumlandırmaktadır.⁶

Gerçek hayattan örnek: MedPerf

Tıbbi AI'da federe öğrenmeye yönelik artan talep, endüstri ve akademik ortaklardan oluşan bir koalisyon tarafından geliştirilen açık kaynaklı bir platform olan MedPerf gibi girişimlere yol açmıştır.

MedPerf, hasta gizliliğini korurken AI modellerinin çeşitli, gerçek dünya tıbbi verileri üzerinde etkili performans göstermesini sağlayan federe değerlendirmeye odaklanır. Federe öğrenmedeki teknik yenilikleri klinik olarak ilgili kıyaslamalar oluşturan yönetişim çerçeveleriyle birleştirerek, bu girişimler güven veya güvenlikten ödün vermeden sağlık hizmetlerinde AI'nın benimsenmesini teşvik etmeyi amaçlamaktadır.

Şekil 2: MedPerf federe AI kıyaslama çerçevesinden sağlık hizmetlerinde federe öğrenme örneği.⁷

5. Ulaşım: Otonom araçlar

Bilgisayarlı görü, kendi kendine giden arabaların engelleri algılamasını sağlarken, uyarlanabilir öğrenme modelleri trafik veya engebeli arazi gibi koşullara göre sürüş davranışını ayarlamaya yardımcı olur.

Ancak, geleneksel bulut tabanlı yaklaşımlar gecikmeye neden olabilir ve özellikle anlık kararların kritik olduğu yoğun trafik senaryolarında güvenlik riskleri oluşturabilir.

Federe öğrenme, veri işlemeyi merkezi olmayan hale getirerek ve birden fazla araç arasında gerçek zamanlı öğrenmeyi mümkün kılarak bir çözüm sunar. Yalnızca bulut tabanlı güncellemelere güvenmek yerine, otonom araçlar verileri yerel tutarken modelleri iş birliği içinde eğitebilir. Bu yaklaşım, araçların aşırı veri aktarımı olmadan en son yol koşullarına göre karar verme süreçlerini sürekli olarak rafine etmelerini sağlar.

Federe öğrenmeden yararlanarak, kendi kendine giden arabalar üç temel hedefe ulaşabilir:

• Gerçek zamanlı trafik ve yol farkındalığı: Araçlar, yol tehlikeleri, inşaat bölgeleri veya ani hava değişiklikleri hakkındaki içgörüleri hızla işleyip paylaşarak daha güvenli navigasyon sağlayabilir.
• Anlık karar verme: Araç üstü AI, dinamik sürüş koşullarına daha hızlı tepki verebilir, uzak sunuculara bağımlılığı azaltır ve kritik anlarda gecikmeyi en aza indirir.
• Sürekli model iyileştirmesi: Daha fazla araç yerel öğrenimlerine katkıda bulundukça, otonom sistemler gelişir ve tahmin doğruluklarını artırır.

Federe öğrenmeyi entegre ederek, otonom araçlar anlık tepki verme yeteneklerini geliştirirken aynı zamanda kendi kendine giden sistemlerin genel güvenliğini ve verimliliğini artıran kolektif bir zeka oluşturabilir.

Gerçek hayattan örnek: NVIDIA FLARE

NVIDIA'nın NVIDIA FLARE tarafından desteklenen AV Federe Öğrenme platformu, veri gizliliğini korurken ve GDPR ile PIPL gibi bölgesel düzenlemelere uyarken otonom araç (AV) modellerinin farklı ülkeler arasında iş birliği içinde eğitilmesini sağlar.

Maliyetli olabilen ve veri aktarım yasalarıyla kısıtlanan merkezi eğitim yerine, federe öğrenme modellerin ülkeye özgü veriler üzerinde yerel olarak eğitilmesine olanak tanıyarak küresel model performansını iyileştirir.

Platform mevcut makine öğrenmesi sistemleriyle entegre olur ve Japonya'da AWS üzerinde merkezi bir sunucu ile çalışarak sınır ötesi eğitimi destekler. Lansmandan bu yana, performansı yerel olarak eğitilen muadillerine eşit veya onları aşan bir düzineden fazla AV modeli üretmiş ve benimseme bir yıl içinde 2'den 30 veri bilimciye çıkmıştır.⁸

6. Akıllı üretim: Kestirimci bakım

Endüstri 4.0 ilerledikçe, AI odaklı kestirimci bakım üreticilerin duruş süresini azaltmasına, ekipman ömrünü uzatmasına ve verimliliği artırmasına yardımcı olur. Ancak, uygulanması veri gizliliği, güvenlik ve sınır ötesi paylaşım kısıtlamaları gibi zorluklarla karşı karşıyadır.

Federe öğrenme, üreticilerin hassas endüstriyel verileri aktarmadan kestirimci bakım modelleri geliştirmelerini sağlayarak bu sorunları ele alır. Birden fazla fabrikadan veya müşteriden gelen bilgileri merkezi bir havuza toplamak yerine, federe öğrenme her sahanın modelleri yerel olarak eğitmesine olanak tanır. Bu modeller daha sonra özel verileri ifşa etmeden küresel bir tahmin sistemine içgörü katkısında bulunur.

Kestirimci bakım için federe öğrenmenin temel faydaları şunlardır:

• Gizliliği koruyan AI: Endüstriyel veriler sahada kalır, özel veya hassas operasyonel verilerin harici kuruluşlarla paylaşılmasıyla ilgili endişeleri ortadan kaldırır.
• Sınır ötesi uyumluluk: Birçok üretici, her biri farklı veri koruma düzenlemelerine sahip birden fazla ülkede faaliyet gösterir. Federe öğrenme, verileri yerel tutarken kolektif zekadan faydalanmayı sürdürerek uyumu sağlar.
• Çeşitli ekipman ve koşullara uyarlanabilirlik: Üretim ortamları makine, iş yükü ve operasyonel ayarlara bağlı olarak büyük ölçüdeğişir. Federe öğrenme, tahmin modellerinin yerel koşullara göre uyarlanmasına olanak tanırken ekipman arıza örüntülerinin daha geniş bir şekilde anlaşılmasına katkıda bulunur.

7. Robotik

Federe öğrenme, robotların verileri yerel tutarken modellerini iş birliği içinde geliştirmelerini sağlar. Bu merkezi olmayan yaklaşım, iletişim bant genişliği sınırlamalarının zorluk oluşturabileceği çoklu robot navigasyonu için özellikle kullanışlıdır.

Merkezi bir sunucuya sürekli veri iletimine güvenmek yerine, federe öğrenme robotların yerel deneyimleri üzerinde eğitim yapmalarına ve temel model güncellemelerini paylaşmalarına olanak tanıyarak ağ kaynaklarını aşırı yüklemeden öğrenme verimliliğini optimize eder.

İşte robotikte federe öğrenmenin temel faydaları:

• Gelişmiş otonomi için merkezi olmayan öğrenme: Robotlar algı ve kontrol modellerini yerel olarak rafine edebilir, bulut tabanlı güncellemelere bağımlılığı azaltır ve yeni ortamlara daha hızlı uyum sağlar.
• Verimli çoklu robot iş birliği: Robot grupları, aşırı veri aktarımı olmadan öğrenilen deneyimleri paylaşabilir; bu da federe 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 ifşasıyla ilgili endişeleri azaltır.
• Farklı ortamlar genelinde ölçeklenebilirlik: Fabrikalar, hastaneler veya kentsel alanlar gibi farklı konumlarda çalışan robotlar, kendi özel çevrelerine uyum sağlamaya devam ederken küresel bir modele içgörü katkısında bulunabilir.

Gerçek hayattan örnek: Robotik Sürülerin Kolektif Navigasyonu için Federe Pekiştirmeli Öğrenme

Derin Pekiştirmeli Öğrenme (DRL) tabanlı kontrolör tasarımının etkili olduğu kanıtlanmış olsa da, merkezi bir eğitim sunucusuna bağımlılığı, dengesiz veya sınırlı iletişime sahip gerçek dünya ortamlarında zorluklar oluşturur.

Bu sorunu çözmek için, Robotik Sürülerin Kolektif Navigasyonu için Federe Pekiştirmeli Öğrenme makalesi, sürü robotiği için özel olarak tasarlanmış yeni bir Federe Öğrenme (FL) tabanlı DRL eğitim stratejisi olan FLDDPG'yi tanıtmıştır.

Sınırlı iletişim bant genişliği altında yapılan karşılaştırmalı değerlendirmeler, FLDDPG'nin farklı ortamlar ve gerçek robotlar genelinde iyileştirilmiş genelleme sunduğunu, temel yöntemlerin ise bant genişliği kısıtlamaları altında zorlandığını göstermektedir.

Bulgular, federe öğrenmenin kısıtlı iletişim bant genişliğine sahip ortamlarda çoklu robot navigasyonunu geliştirdiğini ve gerçek dünya, öğrenme tabanlı robotik uygulamalardaki temel bir zorluğu ele aldığını göstermektedir.⁹

Federe öğrenme nedir?

Federe öğrenme, birden fazla katılımcının yerel verileri kullanarak modelleri eğittiği ve ham veriler sahada kalırken model güncellemelerini veya hesaplanan bilgileri paylaştığı iş birliğine dayalı bir makine öğrenmesi paradigmasıdır. Çoğu pratik FL sistemi, eğitim turlarını düzenlemek için hâlâ merkezi bir toplayıcı kullanır.

Ham eğitim verilerini aktarmak yerine, katılımcılar toplama için model güncellemeleri veya gradyanlar gönderir. Ancak, yalnızca güncellemeleri paylaşmak, güvenli toplama, diferansiyel gizlilik veya kriptografik korumalar gibi ek teknikler olmadan gizliliği garanti etmez.

Eğitim verilerini yerel tutarak ve içgörüleri birleştirerek, federe öğrenme veri gizliliğini artırırken model doğruluğunu iyileştirmek için dağıtık verilerden yararlanmaya devam eder.

Federe öğrenme nasıl çalışır?

Makine öğrenmesinde iki adım vardır: eğitim ve çıkarım.

Eğitim adımı sırasında:

1. Yerel makine öğrenmesi (ML) modelleri, yerel heterojen veri kümeleri üzerinde eğitilir. Örneğin, kullanıcılar bir makine öğrenmesi uygulamasını kullandıkça, makine öğrenmesi 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 değiştirilir. Birçok modelde bu parametreler değiştirilmeden önce şifrelenir. Yerel veri örnekleri paylaşılmaz. Bu, veri korumasını ve siber güvenliği iyileştirir.
3. Paylaşılan küresel bir model oluşturulur.
4. Küresel modelin özellikleri, küresel modeli kendi ML yerel modellerine entegre etmek için yerel veri merkezleriyle paylaşılır.

Örneğin, Nvidia'nın Clara çözümü federe öğrenmeyi içerir. Clara ve Nvidia EGX, farklı sahalardan model güncellemelerinin (ancak eğitim verilerinin değil) güvenli bir şekilde toplanması yoluyla öğrenmeyi sağlar. Bu, veri gizliliğini korurken modellerin küresel bir model oluşturmasına yardımcı olur (Aşağıdaki Şekle bakınız).

Şekil 1: NVIDIA'dan federe öğrenmenin nasıl çalıştığını gösteren bir örnek.¹⁰

Çıkarım adımında, model kullanıcı cihazında depolanır, böylece tahminler kullanıcı cihazındaki model kullanılarak hızla hazırlanır.

Federe öğrenmede dağıtık eğitim

Federe öğrenme ve dağıtık eğitim birbirinden farklı kavramlardır: Federe öğrenme, merkezi olmayan verilerle iş birliğine dayalı eğitimi ifade ederken, dağıtık eğitim (bir katılımcı içindeki düğümler arasında paralel hesaplama) yerel bir optimizasyon stratejisidir ve FL'nin kendisine özgü değildir.

Federe öğrenmede, hastaneler, mobil cihazlar veya kuruluşlar gibi istemciler, yerel verileri üzerinde bağımsız olarak modelleri eğitir ve model güncellemelerini merkezi bir toplayıcı ile paylaşır.

Bazı istemciler birden fazla GPU'ya, sunucuya veya uç düğüme erişebilir. Bu kaynaklar, yerel eğitimi hızlandırmak veya ölçeklendirmek için paralel olarak kullanılabilir. Bu yapı bir hiyerarşi oluşturur:

• Üst düzeyde, birden fazla istemci federe öğrenmeye katılır.
• Yerel düzeyde, her istemci mevcut altyapısı genelinde dağıtık eğitim kullanabilir.

Yerel dağıtık eğitim şunları takip edebilir:

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

Dağıtık eğitimi federe öğrenme ile birleştirmenin temel faydaları

1. İyileştirilmiş ölçeklenebilirlik

Büyük veri kümelerine veya hesaplama açısından yoğun modellere sahip istemciler, eğitimi tek bir makinede verimli bir şekilde tamamlamakta zorlanabilir.

Dağıtık eğitim, istemcinin birden fazla düğüm veya cihaz kullanmasını sağlayarak verimi artırır ve daha büyük iş yüklerini destekler.

2. Verimli kaynak kullanımı

Kuruluşlar genellikle yerel kümelere veya atıl hesaplama kaynaklarına sahiptir. Federe öğrenme içinde dağıtık eğitim kullanmak, veri merkezileştirmesi olmadan bu kaynakları tam olarak kullanmalarını sağlar.

3. Daha hızlı yerel eğitim

Hesaplamayı dağıtmak, yerel model güncellemeleri için duvar saati süresini azaltır. Bu, her federe öğrenme turunu kısaltabilir ve istemciler genelinde toplam eğitim süresini azaltabilir.

4. Endişelerin ayrılması

Federe eğitim ve yerel dağıtık eğitim birbirinden bağımsız çalışır. Federe sunucunun, istemci kaynaklarının dahili zamanlamasını veya koordinasyonunu yönetmesi gerekmez. Bu modüler tasarım hem dağıtımı hem de bakımı basitleştirir.

5. Esnek sistem tasarımı

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

Federe öğrenmenin zorlukları

Yatırım gereksinimleri

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

Federe öğrenmede veri gizliliği

• Veri gizliliği, federe öğrenmede verilerin tek bir varlıkta/sunucuda depolanmaması nedeniyle önemli bir konudur; birden fazla cihaz bunu toplar ve analiz eder. Bu, saldırı yüzeyini artırabilir.
• Ham veriler değil modeller merkezi sunucuya iletiliyor olsa da, modeller istemci verilerini belirlemek için potansiyel olarak tersine mühendislik yapılabilir.

Performans sınırlamaları

• Veri heterojenliği: Federe öğrenmede daha iyi bir model oluşturmak için farklı cihazlardan gelen modeller birleştirilir. Cihaza özgü özellikler, bazı cihazlardan gelen modellerin genelleştirilmesini sınırlayabilir ve modelin bir sonraki sürümünün doğruluğunu azaltabilir.
• Dolaylı bilgi sızıntısı: Araştırmacılar, federasyonun üyelerinden birinin ortak küresel modele gizli arka kapılar yerleştirerek diğerlerine kötü niyetli olarak saldırabileceği durumları değerlendirmiştir.
• Federe öğrenme nispeten yeni bir makine öğrenmesi prosedürüdür. Performansını iyileştirmek için yeni çalışmalara ve araştırmalara ihtiyaç vardır.

Merkezileşme

Federe öğrenmede hâlâ bir dereceye kadar merkezileşme vardır; merkezi bir model, yeni bir model oluşturmak için diğer cihazların çıktısını kullanır. Araştırmacılar, sıfır güvenli federe öğrenme modelleri oluşturmak için blockchainli federe öğrenme (BlockFL) ve diğer yaklaşımları kullanmayı önermektedir.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Federe öğrenmenin alternatifleri nelerdir?

Federe öğrenme gizlilik faydaları sunarken, sınırlamalarını ele almak ve çeşitli senaryolara uyum sağlamak için çeşitli alternatif yaklaşımlar ve çerçeveler geliştirilmiştir. İşte bazı alternatifler:

Flower

Flower, federe AI sistemleri oluşturmak için açık kaynaklı bir çerçevedir. Ham verileri merkezi bir havuza taşımadan, merkezi olmayan istemciler arasında modelleri eğitmek, değerlendirmek ve dağıtmak için gereken altyapıyı sağlar.

Çerçeve, kuruluşların farklı ortamlar genelinde federe öğrenme, analitik ve değerlendirme uygulamalarına yardımcı olan bir geliştirme platformudur.

Temel özellikler:

• Mobil cihazlar, uç sistemler, sunucular ve kurumsal veri siloları dahil olmak üzere dağıtık istemciler arasında federe öğrenmeyi destekler.
• PyTorch, TensorFlow, Hugging Face Transformers, scikit-learn, JAX ve XGBoost dahil olmak üzere birden fazla makine öğrenmesi çerçevesiyle çalışır.
• Geliştiricilerin toplama stratejilerini, iletişim protokollerini ve istemci-sunucu yapılandırmalarını özelleştirmesine olanak tanır.
• Araştırma deneyleri ve gerçek dünya federe AI dağıtımları için kullanılabilir.

Avantajlar:

• Hassas eğitim verilerini merkezileştirme ihtiyacını azaltır.
• Farklı makine öğrenmesi yığınları kullanan kuruluşlar için esneklik sağlar.
• Farklı federe öğrenme stratejileri ve gizliliği koruyan yapılandırmalarla deneme yapmayı destekler.
• Heterojen istemciler ve ortamlar genelinde federe AI sistemlerinin ölçeklendirilmesine yardımcı olur.

Sınırlamalar:

• Flower kendi başına tüm gizlilik risklerini ortadan kaldırmaz; güvenli toplama veya diferansiyel gizlilik gibi ek teknikler hâlâ gerekebilir.
• Federe öğrenme konusunda uzmanlığı olmayan kuruluşlar için uygulama karmaşık olabilir.
• Performans, istemci kullanılabilirliğine, iletişim güvenilirliğine ve veri heterojenliğine bağlıdır.
• Büyük ölçekli dağıtımlar, dikkatli altyapı planlaması ve izleme gerektirebilir.

Flower, tüm orkestrasyon katmanını sıfırdan geliştirmek zorunda kalmadan federe öğrenme sistemleri oluşturmak veya test etmek isteyen ekipler için uygundur. Özellikle, paylaşılan bir AI modeline katkıda bulunmaya devam ederken verilerin cihazlar, kurumlar veya bölgeler arasında dağıtık kalması gereken kullanım alanları için uygundur.¹¹

Merkezi veya geleneksel makine öğrenmesi

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

Temel özellikler:

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

Avantajlar:

• Eğitim sürecinin yönetilmesi ve izlenmesi daha kolaydır.
• Tüm kayıtlar tek bir yerde olduğu için veri tutarlılığı kolayca korunur.
• Model performansı, tüm veri varyasyonlarına tam erişimden faydalanabilir.

Sınırlamalar:

• Veri aktarımı yasa veya şirket politikası tarafından kısıtlandığında gizlilik ve uyumluluk sorunları ortaya çıkabilir.
• Tek bir hata noktası, sunucuda kesinti veya güvenlik ihlali yaşanırsa tüm sistemi çökertebilir.
• 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 durumlar için en uygundur.

Güvenli çok taraflı hesaplama

Güvenli çok taraflı hesaplama (SMPC), birden fazla tarafın bireysel veri kümelerini ifşa etmeden ortak bir fonksiyonu hesaplamasını sağlayan bir kriptografik tekniktir. Her katılımcı verilerini şifreler ve hesaplama, nihai model çıktısını gösterecek şekilde ilerler.

Temel özellikler:

• Taraflar, ham verileri gizli tutarken bir modeli eğitmek için iş birliği yapar.
• Gizli paylaşım ve homomorfik şifreleme gibi kriptografik teknikler yaygın olarak kullanılır.
• Hiçbir katılımcı veri kümesinin tamamına erişemez.

Avantajlar:

• Tüm eğitim süreci boyunca hassas verileri korur.
• Kuruluşların, veriler paylaşılamıyor olsa bile model geliştirmede iş birliği yapmasına olanak tanır.
• GDPR gibi gizlilik düzenlemelerine uyumu artırır.

Sınırlamalar:

• Kriptografik işlemler nedeniyle hesaplama gereksinimleri yüksektir.
• Taraflar arasındaki iletişim yavaş olabilir, bu da ölçeklenebilirliği etkileyebilir.
• Uygulama karmaşıklığı katılımcı sayısıyla artar.

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

Diferansiyel gizlilik

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

Temel özellikler:

• Gizlilik, epsilon (ε) adı verilen bir parametre kullanılarak matematiksel olarak nicelendirilir.
• Yöntem, genel veri kümesi paylaşılsa bile bireylerin veri katkılarını korur.
• Hem merkezi hem de dağıtık sistemlere uygulanabilir.

Avantajlar:

• Ölçülebilir bir gizlilik koruması seviyesi sunar.
• Federe öğrenme gibi diğer öğrenme teknikleriyle birleştirilebilir.
• Verinin yeniden tanımlanması riskini sınırlar.

Sınırlamalar:

• Aşırı gürültü, model doğruluğunu azaltabilir.
• Doğru gizlilik bütçesini (ε) seçmek, dikkatli ayarlama gerektirir.
• Kendi başına dağıtık koordinasyon veya hesaplamayı ele almaz.

Diferansiyel gizlilik, veri kullanışlılığı ile gizlilik koruması arasında bir dengeye ihtiyaç duyan kuruluşlar için uygundur.

Gossip veya eşler arası öğrenme

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

Temel özellikler:

• Düğümler, merkezi bir toplayıcı yerine eşleriyle yerel olarak iletişim kurar.
• Model parametreleri veya gradyanlar merkezi olmayan bir şekilde değiştirilir.
• Öğrenme, ağ genelinde eşzamansız olarak gerçekleşir.

Avantajlar:

• Merkezi bir koordinatör olmadığı için tek hata noktası yoktur.
• IoT veya uç ortamlar gibi dinamik ağlarda etkili bir şekilde çalışabilir.
• Güvenilir bir merkezi varlığa bağımlılığı azaltır.

Sınırlamalar:

• Rastgele eş değişimleri nedeniyle iletişim yükü artabilir.
• Yakınsama, merkezi toplamaya kıyasla 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 öğrenmesi modelini iki veya daha fazla bölüme ayırır. İlk bölüm istemci cihazında yerel veriler kullanılarak eğitilir ve çıktısı (aktivasyonlar), kalan eğitimi tamamlayan bir sunucuya gönderilir.

Temel özellikler:

• Model, istemciler ve merkezi bir sunucu arasında bölümlenir.
• İstemciler asla ham veri paylaşmaz; ara çıktılar iletilir.
• Sistem, eğitim sırasında istemci ve sunucu arasında koordinasyon gerektirir.

Avantajlar:

• Modelin bir kısmını eğiterek istemciler üzerindeki hesaplama taleplerini azaltır.
• Ham veriler yerel kaldığı için bir dereceye kadar veri gizliliği sağlar.
• Mevcut bulut altyapısıyla entegre olabilir.

Sınırlamalar:

• Ara aktivasyonlar, ele geçirilirse hâlâ bazı veri bilgilerini ifşa edebilir.
• İstemci ve sunucu arasında istikrarlı iletişim gerektirir.
• Derin veya çok katmanlı modeller için uygulama karmaşıklığı artar.

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

Transfer öğrenme ve model damıtma

Transfer öğrenme ve model damıtma, doğrudan veri paylaşımı olmadan iş birliğini mümkün kılar. Her kuruluş veya cihaz kendi modelini yerel olarak eğitir ve ardından merkezi bir model, bu bireysel modellerin iç parametrelerinden ziyade çıktılarından veya tahminlerinden öğrenir.

Temel özellikler:

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

Avantajlar:

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

Sınırlamalar:

• Damıtma sürecinde bir miktar bilgi kaybı meydana gelir.
• Küresel model kalitesi, yerel modellerin doğruluğuna bağlıdır.
• Federe öğrenmenin koordineli senkronizasyonundan yoksundur.

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

Hibrit veya birleşik mimariler

Hibrit sistemler, belirli zorlukları ele almak için çeşitli gizlilik koruma yöntemlerinden öğeleri birleştirir. Örnekler arasında diferansiyel gizlilikle birleştirilmiş federe öğrenme, güvenli çok taraflı hesaplama veya bölgesel toplayıcıların merkezi bir sunucuyla iletişim kurduğu hiyerarşik mimariler bulunur.

Temel özellikler:

• Sistemin farklı katmanları veya modülleri farklı gizlilik teknikleri kullanır.
• Ölçeklenebilirlik için bölgesel veya kademeli toplama içerebilir.
• Genellikle düzenleyici ve performans gereksinimlerini karşılamak için özel olarak uyarlanır.

Avantajlar:

• Gizlilik, doğruluk ve hesaplama maliyetini dengelemede esneklik sunar.
• Büyük ölçekli veya coğrafi olarak dağıtık veri kaynaklarını yönetebilir.
• Kuruluşların belirli kısıtlamalar için mimarileri özelleştirmesini sağlar.

Sınırlamalar:

• Birden fazla bileşen arasındaki etkileşimler nedeniyle uygulama karmaşıktır.
• Sistem bakımı ve hata ayıklama ileri düzey uzmanlık gerektirir.
• İletişim protokolleri karmaşık ve kaynak yoğun hale gelebilir.

Hibrit yaklaşımlar, değişen 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  = {{Federe Öğrenme: 7 Kullanım Alanı ve Örnek}},
  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

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'ta e-posta pazarlama ve satış videolarına odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. 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