Hoppa till huvudinnehåll

Testbädd för Federerad Inlärning

Federerad inlärning är ett nytt sätt att arbeta med maskininlärning som har potential att tillåta användning av känslig data samtidigt som man följer lagkrav. AI Sweden arbetar tillsammans med partners för att skapa en virtuell testbädd för att bygga upp kollektiv kunskap om hur man arbetar med denna teknik i en produktionsmiljö och undersöker de juridiska och integritetsmässiga kraven.

A group of people sitting by a campfire at night with tents in background

Om testbädden

I detta projekt kommer en testbädd för att experimentera, utvärdera och utforska Federerad inlärning och relaterade teknologier att etableras. Flera pilotprojekt från olika domäner kommer att bygga generell kunskap från både ett tekniskt och juridiskt perspektiv. Huvudfokus kommer att vara på hur Federerad Inlärning kan vara en möjliggörare för att utveckla maskininlärningslösningar på data som inte kan delas öppet. Ett huvudmål för testbädden är att utveckla bästa praxis och riktlinjer, samt att ge möjligheter att utföra mindre tester eller bevis på koncept.

Projektet avslutades i slutet av juni 2021 och startade i augusti 2020.

De pågående och slutliga resultaten delas här.

Partners
ZenuityScaleoutRISEPeltarionMAQSQamcomHPE, och Fraunhofer Chalmers Research Centre for Industrial Mathematics (FCC). Finansiering från Vinnova 

 

Bakgrund

När och hur man delar data och information är en central fråga för alla organisationer som arbetar med datadrivna metoder. Federerad maskininlärning har löftet om att möjliggöra för olika organisationer att dela tillgång till deras data, utan att den andra parten ser de faktiska datat. Detta kan äntligen tillåta europeiska organisationer att beakta GDPR och bygga konkurrenskraftiga och gemensamma algoritmer på varandras data. Federerad inlärning är en framväxande teknik där en maskininlärningsmodell konstrueras på ett decentraliserat sätt med data som förblir lokalt under datägarnas kontroll.

När vi talar om maskininlärning, tränas algoritmer oftast på centraliserade data. Det innebär att algoritmens ägare måste samla all data på ett ställe, innan modellen tränas, och kan samtidigt fritt titta på de verkliga datavärdena. Istället fungerar en ny teknik kallad Federerad maskininlärning, fedML, på basisen att en distribuerad algoritm tränas lokalt, dvs decentraliserat, där den känsliga datan lagras privat. Varje lokalt tränad algoritm skickas sedan tillbaka med en liten modelluppdatering till den orkestrerande användaren, och aggregeras till en global modell, utan att användaren någonsin har sett datat.

Denna teknik har potential att sätta Sverige i framkant när det gäller att utnyttja sina data där företag kan bygga något mycket större genom att samarbeta och även äntligen låta Sveriges olika regioner utnyttja varje sjukvårdsdatas för att börja göra framsteg som aldrig tidigare skådats.

Det Vinnova-finansierade projektet Testbädd för Federerad Inlärning har pågått från augusti 2020...

Federerad Makininlärning Testbädd: Resultatsession

Se FedML resultatsession - 27 may, 2021