قد يتفوق التعلم الموحد على الحافة في منافسة السحابة على الخصوصية والسرعة والتكلفة

في العقد الأول من القرن الحادي والعشرين ، بدأت “السحابة” في الظهور. بدأ المبرمجون والشركات في شراء موارد الحوسبة الافتراضية بطريقة حسب الطلب لتشغيل برامجهم وتطبيقاتهم.

على مدى العقدين الماضيين ، اعتاد المطورون على البنية التحتية المتاحة على الفور والتي يديرها وصيانتها ويعتمدون عليها. وهذه ليست مفاجأة. يتيح تجريد الأجهزة والبنية التحتية بعيدًا للمطورين والشركات التركيز على ابتكار المنتجات وميزات المستخدم قبل كل شيء.

جعلت خدمات Amazon Web و Microsoft Azure و Google Cloud التخزين والحساب في كل مكان ، عند الطلب ، ومباشر للنشر. وقد بنى هؤلاء الأشخاص ذوو المستويات الفائقة أعمالًا قوية وذات هامش ربح مرتفع فوق هذا النهج. قامت المؤسسات التي تعتمد على السحابة بتبادل النفقات الرأسمالية (الخوادم والأجهزة) لنفقات التشغيل (الدفع عند الاستخدام وموارد الحوسبة والتخزين).

أدخل التعلم الفيدرالي

على الرغم من أن سهولة استخدام السحابة هي نعمة لأي فريق مبتدئ يحاول الابتكار بأي ثمن ، فإن البنية السحابية المرتكزة على السحابة هي تكلفة كبيرة للإيرادات مع زيادة حجم الشركة. في الواقع ، يذهب 50٪ من عائدات شركة SaaS الكبيرة نحو البنية التحتية السحابية.

مع استمرار نمو التعلم الآلي (ML) من حيث الشعبية والفائدة ، تقوم المؤسسات بتخزين كمية متزايدة من البيانات في السحابة وتدريب نماذج أكبر وأكبر بحثًا عن دقة نموذج أعلى وفائدة أكبر للمستخدم. يؤدي هذا إلى تفاقم الاعتماد على موفري الخدمات السحابية والمنظمات التي تجد صعوبة في إعادة أعباء العمل إلى الحلول المحلية. في الواقع ، سيتطلب القيام بذلك توظيف فريق بنية تحتية ممتاز وإعادة تصميم أنظمتهم تمامًا.

تبحث المؤسسات عن الأدوات التي تمكن من ابتكار منتج جديد وتقدم دقة عالية مع زمن انتقال منخفض بينما لا تزال فعالة من حيث التكلفة.

أدخل التعلم الفيدرالي (FL) على الحافة.

ما هو التعلم الفيدرالي (FL) على الحافة؟

FL ، أو التعلم التعاوني ، يتخذ نهجًا مختلفًا لتخزين البيانات والحساب. على سبيل المثال ، في حين أن أساليب ML التي تتمحور حول السحابة ترسل البيانات من هاتفك إلى خوادم مركزية وتجمع هذه البيانات في صومعة ، فإن FL على الحافة يحتفظ بالبيانات على الجهاز (أي هاتفك المحمول أو جهازك اللوحي). يعمل بالطريقة التالية:

الخطوة 1: يقوم جهاز الحافة (أو الهاتف المحمول) بتنزيل نموذج أولي من خادم FL.

الخطوة 2: ثم يتم إجراء التدريب على الجهاز ؛ البيانات الموجودة على الجهاز تعمل على تحسين النموذج.

الخطوه 3: يتم إرسال نتائج التدريب المشفرة إلى الخادم لتحسين النموذج بينما تجلس البيانات الأساسية بأمان على جهاز المستخدم.

الخطوة الرابعة: مع النموذج الموجود على الجهاز ، يمكنك إجراء التدريب والمؤتمرات على الحافة بطريقة موزعة بالكامل ولا مركزية.

تستمر هذه الحلقة بشكل متكرر وتزيد دقة نموذجك.

فوائد التعلم الموحد للمستخدم

عندما لا تكون معتمداً أو مقيداً بمركزية البيانات ، فإن المستخدم يستفيد بطرق مثيرة. مع FL على الحافة ، يمكن للمطورين تحسين زمن الوصول وتقليل مكالمات الشبكة وزيادة كفاءة الطاقة مع تعزيز خصوصية المستخدم وتحسين دقة النموذج.

يتم تمكين FL على الحافة من خلال قدرة الأجهزة المتزايدة باستمرار للهواتف الموجودة في جيوبنا. كل عام ، تتحسن الحوسبة على الجهاز وعمر البطارية. مع تحسن معالج الهاتف الذكي والأجهزة الموجودة في جيوبنا ، ستفتح تقنيات FL حالات الاستخدام المعقدة والشخصية بشكل متزايد.

تخيل ، على سبيل المثال ، برنامجًا مثبتًا على هاتفك بطريقة تتمحور حول الخصوصية يمكنه تلقائيًا صياغة الردود على رسائل البريد الإلكتروني الواردة بنبرة فردية وأسلوب علامات الترقيم والعامية والسمات الأخرى شديدة الخصوصية – كل ما عليك فعله هو النقر فوق إرسال.

سحب المؤسسة قوي

في محادثاتي مع العديد من شركات Fortune 500 ، كان من الواضح بشكل صارخ مدى الطلب على FL على الحافة عبر القطاعات. يعبر CTOs عن كيفية بحثهم عن حل لإضفاء الحيوية على تقنيات FL. يشير الرؤساء الماليون إلى ملايين الدولارات التي تم إنفاقها على البنية التحتية ونشر النماذج التي كان من الممكن توفيرها بطريقة أخرى في نهج FL.

في رأيي ، الصناعات الثلاثة التي لديها أكبر إمكانية لجني ثمار التعلم الفيدرالي هي التمويل والإعلام والتجارة الإلكترونية. اسمحوا لي أن أشرح لماذا.

حالة الاستخدام رقم 1: التمويل – تحسين زمن الوصول والأمان

تحرص العديد من الشركات المالية الكبيرة متعددة الجنسيات (Mastercard و PayPal) على اعتماد FL على الحافة لمساعدتها في تحديد عمليات الاستحواذ على الحسابات وغسيل الأموال واكتشاف الاحتيال. توجد نماذج أكثر دقة على الرف ولم تتم الموافقة على إطلاقها.

لماذا؟ تعمل هذه النماذج على زيادة وقت الاستجابة بدرجة كافية بحيث تتأثر تجربة المستخدم سلبًا – يمكننا جميعًا التفكير في التطبيقات التي لم نعد نستخدمها لأنها استغرقت وقتًا طويلاً لفتحها أو تعطلها. لا تستطيع الشركات تحمل خسارة المستخدمين لهذه الأسباب.

بدلاً من ذلك ، يقبلون معدلًا سلبيًا كاذبًا أعلى ويعانون من عمليات الاستيلاء على الحساب والغسيل والاحتيال الزائدة. تُمكِّن FL على الحافة الشركات من تحسين وقت الاستجابة بشكل متزامن مع إظهار الارتفاع النسبي في أداء النموذج مقارنة بعمليات النشر التقليدية المرتكزة على السحابة.

في قطاع الإعلام ، ترغب شركات مثل Netflix و YouTube في زيادة اقتراحها بشأن الأفلام أو مقاطع الفيديو التي يجب مشاهدتها. منحت جائزة Netflix الشهيرة مليون دولار لرفع الأداء بنسبة 10٪ مقارنة بالخوارزمية الخاصة بها.

FL على الحافة لديه القدرة على تقديم تأثير مماثل. اليوم ، عندما يتم إطلاق عرض جديد أو حدث رياضي مشهور (مثل Superbowl) ، تقلل الشركات الإشارات التي تجمعها من مستخدميها.

بخلاف ذلك ، يتسبب الحجم الهائل للبيانات (بمعدل ملايين الطلبات في الثانية) في حدوث اختناق في الشبكة يمنعهم من التوصية بمحتوى على نطاق واسع. باستخدام الحوسبة المتطورة ، يمكن للشركات الاستفادة من هذه الإشارات لاقتراح محتوى مخصص بناءً على نظرة ثاقبة من أذواق وتفضيلات المستخدمين الفرديين.

حالة الاستخدام رقم 3: التجارة الإلكترونية – اقتراحات أكثر ملاءمة وذات صلة

أخيرًا ، تريد شركات التجارة الإلكترونية والأسواق زيادة معدلات النقر إلى الظهور (CTR) وزيادة التحويلات استنادًا إلى متاجر الميزات في الوقت الفعلي. يمكّنهم ذلك من إعادة ترتيب التوصيات للعملاء وتقديم تنبؤات أكثر دقة دون تأخر التوصيات التقليدية المستندة إلى السحابة.

تخيل ، على سبيل المثال ، فتح تطبيق Target على هاتفك والحصول على توصيات مخصصة للغاية للمنتجات بطريقة تتمحور حول الخصوصية تمامًا – لن تترك أي بيانات تعريف للهاتف. يمكن أن يؤدي التعلم الموحد إلى زيادة نسبة النقر إلى الظهور بفضل نموذج أكثر أداءً ومدركًا للخصوصية يقدم للمستخدمين اقتراحات أكثر ملاءمة وفي الوقت المناسب.

منظر السوق

بفضل التقدم التكنولوجي ، تعمل الشركات الكبيرة والشركات الناشئة على حد سواء على جعل FL أكثر انتشارًا بحيث يمكن للشركات والمستهلكين على حد سواء الاستفادة. بالنسبة للشركات ، من المحتمل أن يعني هذا انخفاض التكاليف ؛ بالنسبة للمستهلكين ، قد يعني ذلك تجربة مستخدم أفضل.

يوجد بالفعل عدد قليل من اللاعبين الأوائل في الفضاء: تسمح Amazon SageMaker للمطورين بنشر نماذج ML بشكل أساسي على الأجهزة المتطورة والأنظمة المدمجة ؛ تقوم Google Distributed Cloud بتوسيع بنيتها التحتية إلى الحافة ؛ والشركات الناشئة Nimbleedge تعيد تصور مجموعة البنية التحتية.

بينما نحن في الأدوار المبكرة ، فإن FL على الحافة هنا والأشخاص الذين يعانون من فرط التقلص في معضلة شاغل الوظيفة. الإيرادات التي يكسبها مقدمو الخدمات السحابية للحوسبة والتخزين والبيانات معرضة للخطر ؛ يمكن للبائعين المعاصرين الذين تبنوا بنية الحوسبة المتطورة أن يقدموا للعملاء دقة نموذج ML فائقة وتقليل زمن الوصول. يؤدي ذلك إلى تحسين تجربة المستخدم وزيادة الربحية – وهي قيمة مقترحة لا يمكنك تجاهلها لفترة طويلة.

Neeraj Hablani هو شريك في Neotribe Ventures الذي يركز على الشركات في المراحل المبكرة التي تصنع تقنيات متطورة.