Llegamos a ustedes gracias a:



Noticias

Gboard de Android incorpora aprendizaje de máquina federado

[26/04/2017] Google ha comenzado a utilizar el enfoque del aprendizaje de máquina para aprender de las interacciones de los usuarios con los dispositivos móviles.

El Aprendizaje Federado, actualmente bajo prueba en el Gboard en el teclado Android, permite a los teléfonos inteligentes recoger de forma colaborativa un modelo de predicción compartido y a la vez mantener los datos de entrenamiento en el dispositivo. De esta manera, la necesidad de realizar aprendizaje de máquina se disocia de la necesidad de almacenar los datos en la nube.

El Aprendizaje Federado ofrece modelos más inteligentes, menos consumo de energía, menor latencia y privacidad garantizada, afirmaron los científicos de investigación de Google. El modelo en el teléfono puede ayudar a generar experiencias personalizadas por la forma en que los usuarios interactúan con el dispositivo.

Con las pruebas ahora en marcha, cuando Gboard muestra una consulta sugerida, el teléfono inteligente almacena localmente la información sobre el contexto actual y si el usuario hizo clic en la sugerencia. El Aprendizaje Federado luego procesa ese historial en el dispositivo para sugerir mejoras para la siguiente iteración del modelo de sugerencia de consultas de Gboard.

"[El Aprendizaje federado] funciona así: Su dispositivo descarga el modelo actual, lo mejora aprendiendo de los datos en su teléfono y luego resume los cambios como una pequeña actualización específica, afirmaron los científicos Brendan McMahan y Daniel Ramage. "Solo esta actualización del modelo es enviada a la nube, utilizando comunicación cifrada, donde inmediatamente es promediada con otras actualizaciones del usuario para mejorar el modelo compartido.

Con el Aprendizaje Federado, los datos se distribuyen a través de millones de dispositivos de manera desigual. Las restricciones de ancho de banda y latencia motivaron el Federated Averaging Algorithm de Google, que puede entrenar a redes profundas usando de 10 a 100 veces menos comunicación en comparación con una versión federada de manera nativa del Gradiente Descendiente Estocástico, que normalmente se ejecuta sobre un gran conjunto de datos que se encuentra particionado en servidores de nube.

El entrenamiento en el dispositivo con Aprendizaje Federado utiliza una versión en miniatura de la biblioteca TensorFlow de Google para la inteligencia de máquina. "La cuidadosa calendarización asegura que la capacitación se realice sólo cuando el dispositivo está inactivo, conectado, y en una conexión inalámbrica gratuita, de tal forma que no haya impacto sobre el desempeño del teléfono, afirmaron los científicos.