Federated Learning and Edge AI

• Dobre zrozumienie koncepcji uczenia maszynowego i głębokiego uczenia
• Doświadczenie z programowaniem Python i frameworkami AI (PyTorch, TensorFlow lub podobnymi)
• Podstawowa znajomość obliczeń rozproszonych i sieci
• Znajomość koncepcji prywatności i bezpieczeństwa danych w sztucznej inteligencji

Odbiorcy

• Badacze sztucznej inteligencji
• Naukowcy zajmujący się danymi
• Specjaliści ds. bezpieczeństwa

Uczenie federacyjne to zdecentralizowane podejście do szkolenia AI, które umożliwia urządzeniom brzegowym wspólne trenowanie modeli bez udostępniania surowych danych, zwiększając prywatność i wydajność.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych badaczy sztucznej inteligencji, naukowców zajmujących się danymi i specjalistów ds. bezpieczeństwa, którzy chcą wdrożyć techniki uczenia federacyjnego do szkolenia modeli sztucznej inteligencji na wielu urządzeniach brzegowych przy jednoczesnym zachowaniu prywatności danych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć zasady i korzyści płynące z federacyjnego uczenia się w Edge AI.
• Wdrożyć federacyjne modele uczenia się przy użyciu TensorFlow Federated i PyTorch.
• Zoptymalizować szkolenie AI na rozproszonych urządzeniach brzegowych.
• Rozwiązywanie wyzwań związanych z prywatnością i bezpieczeństwem danych w uczeniu federacyjnym.
• Wdrażanie i monitorowanie federacyjnych systemów uczenia się w rzeczywistych aplikacjach.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do Federated Learning

• Przegląd tradycyjnego szkolenia AI vs. uczenie federacyjne
• Kluczowe zasady i zalety uczenia federacyjnego
• Przypadki użycia uczenia federacyjnego w Edge AI aplikacjach

Architektura i przepływ pracy Federated Learning

• Zrozumienie modeli uczenia federacyjnego klient-serwer i peer-to-peer
• Podział danych i zdecentralizowane szkolenie modeli
• Protokoły i strategie agregacji Communication

Wdrażanie Federated Learning z TensorFlow Federated

• Konfigurowanie TensorFlow Federated do rozproszonego szkolenia AI
• Tworzenie federacyjnych modeli uczenia się przy użyciu Python
• Symulowanie uczenia federacyjnego na urządzeniach brzegowych

Federated Learning z PyTorch i OpenFL

• Wprowadzenie do OpenFL dla uczenia federacyjnego
• Wdrażanie modeli federacyjnych opartych na PyTorch
• Dostosowywanie federacyjnych technik agregacji

Optymalizacja wydajności dla Edge AI

• Akceleracja sprzętowa dla uczenia federacyjnego
• Zmniejszenie narzutu komunikacyjnego i opóźnień
• Adaptacyjne strategie uczenia się dla urządzeń o ograniczonych zasobach

Prywatność i bezpieczeństwo danych w Federated Learning

• Techniki ochrony prywatności (bezpieczna agregacja, prywatność różnicowa, szyfrowanie homomorficzne)
• Ograniczanie ryzyka wycieku danych w sfederowanych modelach sztucznej inteligencji
• Zgodność z przepisami i kwestie etyczne

Wdrażanie systemów Federated Learning

• Konfigurowanie federacyjnego uczenia się na rzeczywistych urządzeniach brzegowych
• Monitorowanie i aktualizowanie modeli federacyjnych
• Skalowanie wdrożeń federacyjnego uczenia się w środowiskach korporacyjnych

Przyszłe trendy i studia przypadków

• Pojawiające się badania w zakresie federacyjnego uczenia się i Edge AI
• Rzeczywiste studia przypadków w opiece zdrowotnej, finansach i IoT
• Kolejne kroki w kierunku rozwoju rozwiązań federacyjnego uczenia się

Podsumowanie i kolejne kroki