Dagitik Hesaplama

Geleneksel makine öğrenimi sürecinde, veri toplama ilk ve genellikle en maliyetli adımdır. Bir modeli eğitmek için; fotoğraflar, kısa mesajlar, sağlık kayıtları veya finansal işlemler gibi ham kullanıcı verilerini toplamanız ve bunları merkezi bir bulut sunucusuna yüklemeniz gerekir. Bu merkezi yaklaşım yapay zeka devrimine güç vermiş olsa da büyük zorluklarla karşı karşıyadır: Gizlilik Endişeleri: Kullanıcılar, özel verilerini üçüncü taraf sunuculara yükleme konusunda giderek daha isteksiz hale gelmektedir. Veri Düzenlemeleri: GDPR ve HIPAA gibi düzenlemeler, kişisel verilerin nasıl aktarılabileceğini ve saklanabileceğini sıkı bir şekilde kısıtlar. Bant Genişliği Maliyetleri: Milyonlarca uç cihazdan (akıllı telefonlar gibi) gigabaytlarca ham veri yüklemek son derece verimsizdir. Federasyonel Öğrenme (Federated Learning - FL), geleneksel paradigmayı tersine çevirerek bu sorunları çözer. Veriyi modele getirmek yerine, modeli veriye götürür.