Mejorando la privacidad de los datos a través de Machine Learning Federado
Detalles
Expositor: Sebastian Arango
Apasionado por el aprendizaje automático, ingeniería de software, matemática y estadística aplicadas. Ingeniero Electrónico de la UdeA, trabajo como Científico de Datos e Ingeniero de Software. Además, he tenido la oportunidad de trabajar como profesor e investigador.
Titulo de lar charla: Mejorando la privacidad de los datos a través de Machine Learning Federado
Los enfoques estándar de aprendizaje automático requieren centralizar los datos de entrenamiento en un almacén central de datos. Ahora para los modelos entrenados desde la interacción del usuario con dispositivos móviles e IoT, hay un enfoque adicional: el aprendizaje federado.
Esto permite que los dispositivos móviles aprendan, de forma colaborativa, un modelo predictivo compartido mientras mantienen todos los datos de entrenamiento en el dispositivo, desacoplando la capacidad de aprendizaje automático de la necesidad de almacenar los datos en la nube. Esto va más allá del uso de modelos predictivos locales en dispositivos móviles al llevar el entrenamiento de modelos al dispositivo también.
El aprendizaje confederado permite modelos más inteligentes, menor latencia y menor consumo de energía, todo a la vez que garantiza la privacidad. Y este enfoque tiene otro beneficio inmediato: además de proporcionar una actualización del modelo compartido, el modelo mejorado en el dispositivo también se puede usar de inmediato, potenciando experiencias personalizadas por la forma en que usa su dispositivo.