फेडेरेटेड लर्निंग: अपना डेटा साझा किए बिना AI को प्रशिक्षित करना

बिग डेटा के युग में, मशीन लर्निंग (ML) का पारंपरिक दृष्टिकोण हमेशा केंद्रीकृत रहा है: सभी डेटा को एक जगह इकट्ठा करना और वहां मॉडल को प्रशिक्षित करना। लेकिन जैसे-जैसे गोपनीयता की चिंताएं बढ़ रही हैं, एक नया प्रतिमान (Paradigm) सामने आया है।

फेडेरेटेड लर्निंग (Federated Learning) क्या है?

फेडेरेटेड लर्निंग एक विकेंद्रीकृत मशीन लर्निंग तकनीक है जहाँ एक मॉडल को कई एज डिवाइसेस (जैसे स्मार्टफोन या IoT सेंसर) पर प्रशिक्षित किया जाता है, बिना उस डेटा का आदान-प्रदान किए।

इसे किसने पेश किया?

“फेडेरेटेड लर्निंग” की अवधारणा और शब्द पहली बार 2016 में गूगल शोधकर्ताओं द्वारा पेश किए गए थे। अपने ऐतिहासिक पेपर, “Communication-Efficient Learning of Deep Networks from Decentralized Data” में, ब्रेंडन मैकमोहन और उनकी टीम ने उपयोगकर्ताओं के उपकरणों पर डेटा रखते हुए उच्च गुणवत्ता वाले मॉडल प्रशिक्षित करने के समाधान के रूप में इस पद्धति का प्रस्ताव दिया था।

फेडेरेटेड लर्निंग के तीन मुख्य प्रकार

सभी फेडेरेटेड लर्निंग एक जैसे नहीं होते हैं। डेटा के वितरण के आधार पर, हम इसे तीन प्रकारों में वर्गीकृत करते हैं:

1. क्षैतिज फेडेरेटेड लर्निंग (Horizontal FL): तब उपयोग किया जाता है जब डेटासेट एक ही फीचर स्पेस साझा करते हैं लेकिन नमूने (Samples) अलग होते हैं। उदाहरण: दो क्षेत्रीय बैंक जिनके ग्राहक अलग हैं लेकिन खाते के डेटा के प्रकार एक जैसे हैं।
2. ऊर्ध्वाधर फेडेरेटेड लर्निंग (Vertical FL): तब उपयोग किया जाता है जब डेटासेट एक ही नमूना आईडी साझा करते हैं लेकिन विशेषताएं (Features) अलग होती हैं। उदाहरण: एक बैंक और एक ई-कॉमर्स साइट जो उपयोगकर्ताओं के उसी सेट के लिए क्रेडिट स्कोर मॉडल पर सहयोग कर रहे हैं।
3. फेडेरेटेड ट्रांसफर लर्निंग (Transfer FL): तब उपयोग किया जाता है जब डेटासेट नमूने और विशेषताओं दोनों में भिन्न होते हैं। यह ज्ञान को एक नए डोमेन में “स्थानांतरित” करने के लिए पहले से प्रशिक्षित मॉडल का उपयोग करता है।

केंद्रीकृत ML बनाम फेडेरेटेड लर्निंग: एक तुलना

केंद्रीय सर्वर के साथ कौन सा डेटा साझा किया जाता है?

यह फेडेरेटेड लर्निंग का सबसे महत्वपूर्ण हिस्सा है: केंद्रीय सर्वर के साथ कभी भी रॉ डेटा (Raw Data) साझा नहीं किया जाता है।

जब आपका डिवाइस प्रशिक्षण में भाग लेता है, तो वह आपकी तस्वीरें, संदेश या स्वास्थ्य लॉग नहीं भेजता है। इसके बजाय, यह केवल साझा करता है:

• मॉडल अपडेट (वेट और ग्रेडिएंट): ये गणितीय पैरामीटर हैं जो उन “सुधारों” का वर्णन करते हैं जो मॉडल ने आपके डेटा को देखते हुए प्राप्त किए।
• एन्क्रिप्शन: इन अपडेट को अक्सर सिक्योर एग्रीगेशन (Secure Aggregation) जैसी तकनीकों के माध्यम से और अधिक सुरक्षित बनाया जाता है, जिससे यह सुनिश्चित होता है कि सर्वर केवल लाखों उपयोगकर्ताओं के संयुक्त अपडेट को देख सके, न कि किसी व्यक्ति विशेष के योगदान को।

संक्षेप में: सर्वर प्राप्त ज्ञान को देखता है, लेकिन स्वयं डेटा को कभी नहीं देखता।

उन्नत सुरक्षा: सिक्योर एग्रीगेशन और डिफरेंशियल प्राइवेसी

उपयोगकर्ता की गोपनीयता को और अधिक सुरक्षित बनाने के लिए, अक्सर दो अतिरिक्त परतों का उपयोग किया जाता है:

• सिक्योर एग्रीगेशन (Secure Aggregation): एक क्रिप्टोग्राफिक प्रोटोकॉल जो सर्वर को किसी व्यक्तिगत अपडेट को देखे बिना सभी अपडेट के योग की गणना करने की अनुमति देता है।
• डिफरेंशियल प्राइवेसी (Differential Privacy): अपडेट में थोड़ी मात्रा में गणितीय “शोर” (Noise) जोड़ना ताकि अंतिम मॉडल से किसी विशेष उपयोगकर्ता के डेटा को फिर से प्राप्त करना असंभव हो।

वर्कफ़्लो: यह कैसे काम करता है

जादू एक चक्रीय प्रक्रिया में होता है:

1. आरंभीकरण (Initialization): केंद्रीय सर्वर एक वैश्विक मॉडल बनाता है।
2. वितरण: मॉडल भाग लेने वाले उपकरणों (क्लाइंट) के एक समूह को भेजा जाता है।
3. स्थानीय प्रशिक्षण: प्रत्येक उपकरण अपने स्थानीय डेटा पर मॉडल को प्रशिक्षित करता है। डेटा उपकरण पर ही रहता है।
4. एग्रीगेशन: डिवाइस केवल गणितीय अपडेट (वेट) सर्वर को वापस भेजते हैं।
5. वैश्विक अपडेट: सर्वर सभी के लिए वैश्विक मॉडल को बेहतर बनाने के लिए इन अपडेट को मिलाता है।

वास्तविक दुनिया के उदाहरण

• Google Gboard: आपके निजी टेक्स्ट पढ़े बिना आपके अगले शब्द की भविष्यवाणी करना।
• स्वास्थ्य सेवा: रोगी रिकॉर्ड साझा किए बिना कई अस्पतालों में नैदानिक मॉडल को प्रशिक्षित करना।
• स्मार्ट होम: आपकी दैनिक दिनचर्या को निजी रखते हुए डिवाइस की बुद्धिमत्ता में सुधार करना।

निष्कर्ष

फेडेरेटेड लर्निंग एक ऐसे भविष्य का प्रतिनिधित्व करता है जहाँ AI शक्तिशाली है लेकिन गोपनीयता का भी सम्मान करता है। “डेटा-से-मॉडल” के बजाय “मॉडल-से-डेटा” की ओर बढ़कर, हम अपनी व्यक्तिगत जानकारी से समझौता किए बिना स्मार्ट सिस्टम बना सकते हैं।

विकेंद्रीकृत तकनीक के भविष्य के बारे में अधिक जानकारी के लिए Ghaznix के साथ बने रहें!