Federe Öğrenme (Federated Learning) Nedir? Veriyi Paylaşmadan Model Eğitmek

Federe öğrenme nedir?

Federe öğrenme (federated learning), yapay zeka modelini ham veriyi tek bir merkeze taşımadan eğitme yöntemidir. Veri cihazda ya da kurumun kendi sisteminde kalır, merkeze yalnızca modelin öğrendiği güncellemeler gider ve sunucu bunları tek bir ortak modelde birleştirir.

Klasik yaklaşımda önce bütün veriyi bir havuzda toplarsınız, sonra modeli o havuzda eğitirsiniz. Federe öğrenmede bu sıra tersine döner: model veriye gider, veri modele gelmez. Yani eğitim, verinin zaten bulunduğu yerde gerçekleşir.

Terimi geniş kitlelere tanıtan çalışma, McMahan ve arkadaşlarının arXiv üzerindeki makalesidir. Yazarlar, verinin mobil cihazlara dağılmış olduğu bir ortamda modeli yinelemeli ortalama alarak eğitmeyi önerir.

Federe öğrenme nedir sorusunun kısa cevabı "veriyi taşımadan, modeli taşıyarak öğrenmek" olur. Bu cümle yöntemin özünü verir, ama ayrıntıda gizlilik ve mühendislik soruları saklıdır.

Bu yazıda tek bir terimi derinlemesine ele alıyoruz. Nasıl çalıştığını, neden önemli olduğunu, gizlilik faydasını ve sınırlarını sırayla anlatacağız.

Federe öğrenme nedir ve basit bir benzetmeyle nasıl anlatırız?

Bir sınıfta her öğrencinin kendi defterinde özel notları olduğunu düşünün. Öğretmen defterleri toplamak yerine herkese aynı özet kartını verir. Öğrenciler kartı kendi notlarına bakarak geliştirir ve yalnızca karttaki değişiklikleri öğretmene geri yollar.

Öğretmen bütün değişiklikleri birleştirir ve herkes için daha iyi bir kart hazırlar. Böylece kimse defterini teslim etmez, ama ortak kart herkesin deneyiminden beslenir.

Benzetmedeki defter ham veridir, kart ise modeldir. Değişiklikler model güncellemesidir, öğretmen de birleştirmeyi yapan merkezi sunucudur. Elbette gerçek sistemde işler daha karmaşıktır; ancak temel fikir budur.

Bu benzetmenin zayıf yanı da önemlidir. Karttaki değişikliklere dikkatle bakan biri, defterin içeriği hakkında ipucu çıkarabilir. Bu riske aşağıda ayrıca değineceğiz.

Öğretmenin tek bir noktada durması da bir tasarım tercihidir. Bazı mimarilerde birleştirme işini birden fazla taraf paylaşır.

Federe öğrenme nedir ve bir eğitim turu adım adım nasıl işler?

Federe öğrenme, tur adı verilen tekrarlı döngülerle ilerler. Her turda sunucu, katılımcılardan bir kısmını seçer ve onlara mevcut modeli gönderir. Katılımcı bir telefon olabilir, bir kurumun kendi sunucusu da olabilir.

1. Sunucu, mevcut ortak modeli seçilen katılımcılara gönderir.
2. Her katılımcı modeli kendi yerel verisiyle kısa süre eğitir.
3. Katılımcı, ham veriyi değil yalnızca model değişikliğini sunucuya geri yollar.
4. Sunucu, gelen değişiklikleri birleştirip yeni ortak modeli oluşturur.
5. Yeni model tekrar dağıtılır ve döngü hedefe ulaşana kadar sürer.

Bu döngü, model yeterince iyi olana kadar çok sayıda tur sürebilir. Tur sayısı, her turda seçilecek katılımcı sayısı ve yerel eğitimin uzunluğu projeden projeye değişen tasarım kararlarıdır.

Örneğin yerel eğitimi çok uzun tutarsanız cihazlar birbirinden uzaklaşan modeller üretebilir. Çok kısa tutarsanız da ağ trafiği gereksiz artar. Dolayısıyla bu ayarı deneyerek bulmanız gerekir.

Merkezi sunucu güncellemeleri nasıl birleştirir?

En bilinen birleştirme yöntemi federe ortalamadır (federated averaging). Sunucu, katılımcılardan gelen model değişikliklerinin ağırlıklı ortalamasını alır. Daha çok veriyle eğitim yapan katılımcının katkısı genellikle daha büyük ağırlık taşır.

McMahan ve arkadaşlarının makalesi, bu ortalamanın iletişim turlarını belirgin biçimde azaltabildiğini gösterir. Çünkü mobil ağlarda asıl darboğaz işlemci gücü değil, veri aktarımıdır.

Ortalama alma işlemi basit görünür, ama gerçek hayatta katılımcıların verisi birbirine benzemez. Bir kullanıcı sürekli teknik terim yazarken bir diğeri gündelik konuşma dilini seçer. Bu farklılık, birleştirmeyi zorlaştıran temel etkenlerden biridir.

Üretim ölçeğindeki sistemleri merak ediyorsanız Google ekibinin sistem tasarımı makalesi iyi bir kaynaktır. Makale cihazların kopmasını, seçimini ve turların eşgüdümünü anlatır.

Kısacası birleştirme adımı yalnızca matematik değil, aynı zamanda bir sistem mühendisliği problemidir.

Federe öğrenme neden önemli?

Birçok değerli veri, yasal ya da ticari nedenlerle bir yere taşınamaz. Kişisel yazışmalar, kurumların kendi kayıtları ve cihazdaki kullanım alışkanlıkları bunların başında gelir. Federe öğrenme, bu verinin değerinden yararlanmanın bir yolunu sunar.

İkinci fayda, aktarım yükünün azalmasıdır. Büyük bir veri setini merkeze taşımak hem maliyetlidir hem de saldırı yüzeyini büyütür. Yalnız güncellemeleri taşımak ise çoğu durumda daha hafiftir.

Üçüncü fayda güvendir. Kullanıcı, verisinin cihazından çıkmadığını bildiğinde katılmaya daha istekli olur. Bu nedenle federe öğrenme hem teknik hem de itibar açısından anlamlı bir tercih olabilir.

Dördüncü fayda, veri sahipliği ilişkisidir. Kurumlar kendi verisini elden çıkarmadan ortak bir modele katkı verebilir. Böylece rakip olmayan ama benzer verilere sahip taraflar bir araya gelebilir.

Beşinci bir fayda da kişiselleştirmedir. Model, kullanıcının kendi cihazındaki örüntülerden öğrendiği için yerel alışkanlıklara daha iyi uyum sağlayabilir. Merkezi bir model ise herkesin ortalamasına yönelir.

Yine de bu yöntem sihirli bir gizlilik kalkanı değildir. Faydasını ve sınırlarını birlikte görmek gerekir.

Cihazlar arası ve kurumlar arası federe öğrenme arasındaki fark nedir?

Literatürde iki ana senaryoyu birbirinden ayırırız. İlki, çok sayıda küçük cihazın katıldığı cihazlar arası (cross-device) kurgudur. Binlerce telefonun katıldığı bir klavye modeli buna örnektir.

İkincisi, az sayıda ama güçlü katılımcının yer aldığı kurumlar arası (cross-silo) kurgudur. Birkaç kurumun kendi sunucularında eğitim yapıp güncellemeleri paylaşması buna örnektir.

• Cihazlar arası kurguda katılımcı sayısı çok yüksektir, ama her cihaz zayıf ve güvenilmezdir.
• Kurumlar arası kurguda katılımcı sayısı azdır, ama her biri kararlı ve güçlü bir altyapıya sahiptir.
• Birincisinde cihazlar sürekli bağlantıdan düşebilir, ikincisinde asıl sorun kurumlar arası güven ve sözleşme düzenidir.

Hangi senaryoda olduğunuzu bilmek, mimari kararları doğrudan etkiler. Cihazlar arası kurguda dayanıklılık ve ölçek öne çıkar. Kurumlar arası kurguda ise veri uyumu ve yönetişim belirleyici olur.

Bu yüzden projeye başlarken önce bu ayrımı netleştirmenizi öneririz.

Ayrıca iki senaryoda başarı ölçütü de farklıdır. Birinde milyonlarca kullanıcıya dağılan hafif bir iyileşme aranır. Diğerinde ise az sayıda kurumun ortak kullanacağı güvenilir ve tutarlı bir model hedeflenir.

Federe öğrenme nedir diye soran bir işletme hangi kullanım alanlarına bakmalı?

Federe öğrenme, verinin dağınık ve hassas olduğu durumlarda öne çıkar. Yaygın alanları kabaca üç başlıkta toplayabiliriz.

• Mobil cihazlarda kişiselleştirme: klavye önerileri, sesli komut tanıma ve sıradaki kelime tahmini.
• Kurumlar arası iş birliği: birden fazla kurumun kendi kayıtlarını paylaşmadan ortak model geliştirmesi.
• Uç cihazlar: sensör, kamera ya da endüstriyel ekipmandan gelen verinin yerinde işlenmesi.

Bu listedeki ortak nokta şudur: veri ya taşınamıyor ya da taşınmaması tercih ediliyor. Eğer veriniz zaten tek bir yerde ve serbestçe kullanılabiliyorsa, federe öğrenme çoğu zaman gereksiz karmaşıklık getirir.

Üstelik her yapay zeka ihtiyacı için özel model eğitmeniz gerekmez. Birçok iş, hazır modelleri doğru kurgulamakla çözülür. Bu karar için önce ihtiyacın gerçekten eğitim gerektirip gerektirmediğine bakın.

Cihaz üstünde çalışan yapay zeka ile karıştırmamak gerekir. O konuyu Edge AI nedir yazımızda ayrıca anlattık.

Klavye önerisi örneğinde federe öğrenme nasıl çalışır?

Google, federe öğrenmeyi anlatırken en sık klavye önerisi örneğini kullanır. Resmi Google federe öğrenme sayfasında da bu örnek yer alır. Kullanıcının yazdığı metin telefonda kalır; model sıradaki kelimeyi tahmin etmeyi yerinde öğrenir.

Şimdi bunu bir örnek senaryo ile canlandıralım. Bir uygulama geliştiricisi, kendi mesajlaşma uygulamasındaki öneri özelliğini iyileştirmek istesin. Kullanıcıların yazdıkları, bu uygulamanın sunucusuna hiç gitmesin.

Telefon şarjdayken ve ağa bağlıyken model, o günkü yazım örüntülerinden küçük bir güncelleme üretir. Bu güncelleme sunucuya gider, binlerce benzer güncellemeyle birleşir ve yeni model herkese dağılır.

Sonuçta öneriler zamanla iyileşir, ama kimsenin mesajı merkezde birikmez. Bu, yöntemin en anlaşılır ve en çok anılan örneğidir.

Bu örnek, federe öğrenmenin neden mobil dünyada doğduğunu da açıklar. Telefonlarda çok miktarda kişisel metin vardır ve kullanıcılar bu metnin bir sunucuya gitmesini istemez. Yöntem tam bu gerilime cevap verir.

Dikkat edin: telefonun yalnızca uygun koşullarda katılması da tasarımın parçasıdır. Pil ve kullanıcı deneyimi, bu tür sistemlerde gizlilik kadar önemli bir kısıttır.

Kurumlar arası iş birliğinde federe öğrenme nasıl çalışır?

Birden çok kurum aynı türde hassas kayıtlara sahip olabilir, ama bu kayıtları birbirine açamaz. Her kurumun tek başına topladığı veri azdır ve modeli sınırlı kalır. Birlikte eğitim ise daha güçlü bir model verebilir.

Örnek senaryo olarak, farklı kurumlarda tutulan görüntü kayıtlarını düşünün. Sağlık alanı bunun sık verilen bir örneğidir; biz burada konuyu genel tutuyoruz. Her kurum modeli kendi sistemi içinde eğitir ve yalnızca güncellemeyi paylaşır.

Böylece kayıtlar kurumun sınırları içinde kalır. Ancak kurumlar arası güven, veri biçimlerinin uyumu ve sözleşme düzeni gibi konular teknik kadar önemlidir.

Örneğin bir kurum kayıtları başka bir biçimde etiketliyorsa, ortak model kafası karışık öğrenir. Bu nedenle etiket standardı, eğitimden önce çözmeniz gereken ilk işlerden biridir.

Bir diğer konu, kurumların güncellemelerinin ne kadar güvenilir olduğudur. Kurumlardan biri hatalı veriyle eğitim yaparsa ortak model zarar görür. Bu yüzden katılım kurallarını ve kalite kontrolünü baştan yazmak gerekir.

Böyle bir proje yalnızca bir yazılım kurulumu değil, aynı zamanda bir yönetişim çalışmasıdır. Hukuki taraf için kurumunuzun danışmanlarına başvurmalısınız.

Veri cihazda kalıyorsa gizlilik tamamen korunmuş olur mu?

Hayır, tamamen korunmuş olmaz. Federe öğrenme veri toplamayı azaltır, ancak gizlilik sorununu kendiliğinden çözmez. Çünkü model güncellemeleri de eğitim verisi hakkında bilgi taşır.

Bu nedenle federe öğrenmeyi "veri gizlidir" diye tek cümleyle anlatmak yanıltıcıdır. Doğru ifade şudur: ham veri merkeze gitmez, ama güncellemeleri korumazsanız dolaylı bilgi sızabilir.

Ek olarak katılımcıların kendisi de her zaman güvenilir olmayabilir. Hatalı ya da kötü niyetli bir katılımcı, ortak modeli bozacak güncellemeler gönderebilir.

Üstelik sunucuyu işleten taraf da bir güven noktasıdır. Sunucu güncellemeleri tek tek görebiliyorsa, sızıntı riskinin bir kısmı hâlâ geçerlidir.

Gizlilik, tek bir teknikle değil, katmanlı bir tasarımla gelir. Bu katmanları sıradaki bölümlerde sırayla görelim.

Model güncellemelerinden bilgi sızıntısı nasıl olabilir?

Araştırmacılar, paylaşılan gradyanlardan (modelin öğrenme yönünü gösteren sayılardan) eğitim verisinin geri çıkarılabildiğini göstermiştir. Bu konudaki en bilinen çalışmalardan biri Deep Leakage from Gradients başlıklı makaledir.

Makale, belirli koşullarda paylaşılan gradyanlardan görüntü ve metin gibi özel verileri geri kazanmanın mümkün olduğunu bildirir. Yazarlar ayrıca bazı savunma yöntemlerini de karşılaştırır.

Bu bulgu, "güncelleme zaten anlamsız sayılardır" varsayımını zayıflatır. Sızıntı riski; model yapısına, güncelleme boyutuna ve saldırganın sahip olduğu bilgiye göre değişir.

Bu yüzden her federe sistemin tehdit modeli ayrıca çıkarılmalıdır. Yani kimin neyi görebildiğini ve kimin kötü niyetli olabileceğini baştan yazarsınız.

Bu araştırmalar federe öğrenmeyi değersiz kılmaz. Aksine, yöntemin tek başına yetmediğini ve ek korumalarla birlikte düşünülmesi gerektiğini gösterir.

Pratikte bunun anlamı basittir. Güncellemeleri düz biçimde sunucuya yığmayın; koruma katmanlarını tasarıma baştan ekleyin.

Diferansiyel gizlilik ve güvenli toplama ne işe yarar?

Bu sızıntıya karşı iki yaygın koruma vardır. İlki diferansiyel gizlilik (differential privacy) kavramıdır. Bir katılımcının modele katkısını sınırlar ve güncellemelere kontrollü gürültü ekler. Böylece modelin tek bir kişinin verisini ezberlemesi zorlaşır.

İkincisi güvenli toplama (secure aggregation) yöntemidir. Güncellemeler şifreli gider ve sunucu yalnızca toplamı çözebilir. Tek tek katılımcıların katkısını sunucu göremez.

Google'ın resmi sayfası da bu iki mekanizmayı birlikte anar. Ancak bunların da bir bedeli vardır: gürültü doğruluğu azaltabilir ve şifreleme iletişim yükünü artırabilir.

Basit bir örnekle düşünün: bir kalabalığın ortalama boyunu söylerken kimseye ait tam ölçüyü vermezsiniz. Diferansiyel gizlilik de benzer biçimde, tek bir kişiyi ele vermeden topluluğun örüntüsünü paylaşmaya çalışır.

Bu yüzden gizlilik ile model kalitesi arasında bir denge kurarsınız. Dengenin nerede olacağı, verinin hassasiyetine bağlıdır.

Güncel yöntem ayrıntıları için ilgili makaleleri ve sağlayıcıların resmi belgelerini kontrol edin. Bu alan hızlı gelişiyor ve burada kalıcı olan yalnızca kavramlardır.

Federe öğrenmenin sınırları ve zorlukları nelerdir?

Federe öğrenme, merkezi eğitimden daha karmaşık bir mühendislik gerektirir. Başlıca zorlukları şöyle sıralayabiliriz.

• Veri heterojenliği: her katılımcının verisi farklı dağılımdadır, bu da birleştirmeyi zorlaştırır.
• İletişim maliyeti: tur sayısı arttıkça ağ yükü ve bekleme süresi büyür.
• Cihaz kopmaları: katılımcılar tur ortasında bağlantıdan düşebilir.
• Hata ayıklama güçlüğü: ham veriyi göremediğiniz için model hatasının nedenini bulmak zorlaşır.
• Güvenlik: kötü niyetli katılımcılar modeli bozmaya çalışabilir.

Dolayısıyla federe öğrenme, "her projede kullanın" diyebileceğimiz bir yöntem değildir. Yalnız ihtiyaç gerçekten varsa tercih edin.

Eğitim verisi az olan bir projede aşırı öğrenme riski de ayrıca gündeme gelir. Bunun için Overfitting nedir yazımıza göz atabilirsiniz.

Sınırların çoğu, yöntemin kendisinden değil, dağınık veriyle çalışmanın doğasından gelir. Dolayısıyla bu zorlukları bilerek başlamak, projeyi baştan gerçekçi planlamanıza yardım eder.

Federe öğrenmede model kalitesini nasıl ölçersiniz?

Ham veriyi göremediğiniz için değerlendirme de dağınık hale gelir. Merkezde bir doğrulama seti tutmak en basit yoldur, ancak böyle bir set her zaman mevcut olmayabilir.

Alternatif olarak değerlendirmeyi de federe biçimde yaparsınız. Sunucu modeli katılımcılara gönderir, katılımcılar kendi verisinde ölçer ve yalnızca özet metrikleri geri yollar.

Bu yaklaşım, modelin farklı katılımcı gruplarında nasıl davrandığını görmenizi sağlar. Ortalama başarı yüksek olsa bile belirli bir grupta model kötü çalışıyor olabilir.

Bu nedenle yalnız tek bir ortalama sayıya bakmayın. Grup bazlı sonuçlara, adalet ve tutarlılık açısından da göz atın.

Ölçümün kendisi de gizlilik riski taşıyabilir. Özellikle küçük gruplarda ayrıntılı metrikler, tek tek kişiler hakkında ipucu verebilir. Metrikler yeterince ayrıntılıysa onlardan da bilgi çıkarılabilir, bu yüzden hangi özetleri paylaşacağınıza dikkatle karar verin.

Merkezi eğitimle federe öğrenme arasındaki fark nedir?

İki yöntemi yan yana koymak, hangisinin ne zaman uygun olduğunu görmeyi kolaylaştırır. Aşağıdaki tablo kavramsal bir karşılaştırmadır; ayrıntılar projeye göre değişir.

Kısacası federe öğrenme, merkezi eğitimin yerini almaz; veri taşınamadığında devreye giren bir alternatiftir. Veri serbestçe toplanabiliyorsa, merkezi eğitim çoğu zaman daha basit ve ucuzdur.

Tablodaki "uygun olduğu durum" satırı en önemlisidir. Çoğu proje için asıl soru "hangisi daha modern?" değil, "verim gerçekten taşınamıyor mu?" sorusudur.

Federe öğrenme ile sık karıştırılan terimler hangileridir?

Yakın kavramlar çoğu zaman birbirine karışır. Aşağıdaki tablo, her birinin neyi çözdüğünü kısaca ayırır.

Edge AI, çıkarımın nerede yapıldığını anlatır; federe öğrenme ise eğitimin nasıl yapıldığını. Dolayısıyla ikisini aynı projede birlikte görebilirsiniz.

Bu terimlerin her biri tek başına bir yazıyı hak eder. Biz burada yalnızca farkı göstermek için kısa tuttuk.

Federe öğrenme hakkında yaygın yanlış anlamalar nelerdir?

Konu popüler olunca bazı kalıp ifadeler de dolaşıma girdi. En sık gördüklerimizi düzeltelim.

• "Veri cihazdan çıkmıyor, o halde sızıntı imkansız." Güncellemeler bilgi taşıyabilir.
• "Federe öğrenme her zaman daha güvenlidir." Yalnızca doğru koruma katmanlarıyla daha güvenli olur.
• "Federe öğrenme model boyutunu küçültür." Hayır, model boyutu başka bir konudur.
• "Hukuki uyumu otomatik sağlar." Hayır, yükümlülükler devam eder.
• "Kurumların işi kolaylaşır." Aksine, operasyonel karmaşıklık artar.

Bu yanlış anlamaların çoğu, yöntemin tanıtımında kullanılan kısa cümlelerden doğar. Kısa cümle akılda kalır, ama ayrıntıyı saklar.

Siz de karar verirken ayrıntıya inin ve gerekirse bir uzmandan destek alın.

Ayrıca federe öğrenmenin bir ürün adı olmadığını da hatırlatalım. Bu bir yaklaşımdır ve farklı araçlarla, farklı kurgularla uygulanabilir.

Federe öğrenme nedir diye bakınca veri heterojenliği neden büyük sorun olur?

Merkezi eğitimde veriyi karıştırıp dengeli parçalara bölebilirsiniz. Federe öğrenmede bu lüks yoktur, çünkü veri katılımcıların elinde ve olduğu gibi kalır. Her katılımcının verisi farklı bir dağılım taşır; buna heterojen veri denir.

McMahan ve arkadaşlarının makalesi de dengesiz ve bağımsız olmayan veri dağılımlarını açıkça hedef alır. Yani sorun yöntemin ilk günden beri bilinen bir parçasıdır.

Örnek senaryo: bir klavye modelinde bir kullanıcı yalnızca iş yazışması yaparken bir diğeri yalnızca kısa gündelik mesaj yazar. İkisinin güncellemesi birbirine zıt yöne çekebilir.

Bu durumda ortalama model hiçbirine tam uymayabilir. Çözüm için katılımcı gruplarına özel ince ayar, daha dikkatli ağırlıklandırma ve daha çok tur gibi yolları deneyebilirsiniz.

Kavram düzeyinde akılda tutmanız gereken şu: veriniz ne kadar çeşitliyse birleştirme o kadar zorlaşır.

Bu nedenle federe bir projeye başlamadan önce katılımcıların verisini kabaca tanımanız yararlıdır. Verinin hangi gruplarda toplandığını, hangi sınıfların nadir kaldığını ve hangi katılımcıların çok daha fazla veriye sahip olduğunu çıkarın. Bu bilgi, ağırlıklandırma kararını doğrudan etkiler.

Federe öğrenmede kötü niyetli katılımcılara karşı ne yapabilirsiniz?

Açık bir federe sistemde her katılımcıya güvenemezsiniz. Bir katılımcı bilerek bozuk güncelleme göndererek ortak modeli saptırabilir. Buna model zehirleme saldırısı denir.

İlk savunma, katılımcıları tanımlamak ve yetkilendirmektir. Kurumlar arası kurguda bu kolaydır; cihazlar arası kurguda ise çok sayıda anonim cihaz olduğu için daha zordur.

İkinci savunma, birleştirme adımını dayanıklı kılmaktır. Sunucu, diğerlerinden çok farklı görünen güncellemelerin etkisini sınırlayabilir. Yani aykırı katkıyı olduğu gibi kabul etmez.

Üçüncü savunma, izleme ve geri alma yeteneğidir. Model kalitesi beklenmedik biçimde düşerse önceki sürüme dönebilmelisiniz.

Ayrıca güncellemelerin boyutuna sınır koymak da basit ama etkili bir önlemdir. Tek bir katılımcı modeli aşırı etkileyemezse, bozulmanın zararı da küçülür.

Hiçbir savunma mutlak güvence vermez. Bu yüzden tehdit modelini, projenin kapsamına göre açıkça yazın ve düzenli olarak yeniden gözden geçirin.

KVKK ve GDPR açısından federe öğrenme ne ifade eder?

Veriyi merkeze taşımamak, kişisel veri korumasının önemli ilkelerinden biriyle örtüşür: gereğinden fazla veri toplamamak. Bu açıdan federe öğrenme, veri azaltma yaklaşımına destek olabilir.

Ancak federe öğrenme kullanmak, otomatik olarak KVKK ya da GDPR'a uyumlu olduğunuz anlamına gelmez. Güncellemelerden bilgi sızabildiği için, hangi verinin kişisel veri sayılacağını ayrıca değerlendirmeniz gerekir.

Ayrıca aydınlatma, hukuki dayanak, saklama ve katılımcı hakları gibi yükümlülükler bu yöntemle ortadan kalkmaz. Genel uyum çerçevesi için KVKK ve GDPR uyumlu web sitesi yazımıza bakabilirsiniz.

Not: Bu yazı hukuki danışmanlık değildir. Projenizin hukuki durumu için kurumunuzun hukuk danışmanına başvurun.

Bir işletme federe öğrenmeye başlamadan önce neleri kontrol etmelidir?

Karar vermeden önce aşağıdaki kontrol listesi, projeyi gerçekçi bir zemine oturtmanıza yardımcı olur.

• Veriniz gerçekten taşınamıyor mu, yoksa yalnızca taşımak mı zahmetli?
• Katılımcı sayısı ve türü belli mi: çok sayıda cihaz mı, az sayıda kurum mu?
• Katılımcıların verisi birbirine ne kadar benziyor?
• Diferansiyel gizlilik ve güvenli toplama gibi korumaları planladınız mı?
• Hatalı ya da kötü niyetli katılımcıya karşı bir doğrulama düzeniniz var mı?
• Modelin başarısını ham veriyi görmeden nasıl ölçeceğinizi belirlediniz mi?
• Hukuki değerlendirmeyi uzmanlarla yaptınız mı?

Bu soruların birkaçına net cevap veremiyorsanız, önce daha basit bir yöntemle başlamak akıllıca olabilir. Makine öğrenmesine yeni başlıyorsanız makine öğrenimine nasıl başlanır rehberimiz iyi bir ilk adımdır.

Federe öğrenme kurum içi yapay zeka projelerinde nerede devreye girebilir?

Çoğu işletmenin ihtiyacı, sıfırdan bir federe sistem kurmak değildir. Genellikle önce verinin nerede durduğunu, kimlerin erişebildiğini ve hangi riskleri taşıdığını anlamak gerekir. Çalışanların izinsiz yapay zeka araçlarına veri yapıştırması da bu risklerin parçasıdır; bunu Shadow AI yazımızda ele aldık.

Veri güvenliği tarafında şifreleme ve erişim düzeni gibi temel adımlar daha önce gelir. Bunun için kurumsal veri güvenliği rehberimize bakabilirsiniz.

Talha Aslan ve ekibi olarak, bir yapay zeka fikrinin hangi veriyle, hangi mimaride ve hangi sınırlarla çalışacağını birlikte netleştiriyoruz. Bu konuda destek isterseniz yapay zeka danışmanlığı sayfamızı inceleyebilirsiniz.

İleri bir yöntemin gerekip gerekmediğine de bu değerlendirmede birlikte karar veririz. Çoğu zaman daha basit bir çözüm yeterli olur ve bunu açıkça söylemek bizim işimizdir.

Federe öğrenmeyi özetlersek ne söyleyebiliriz?

Federe öğrenme, modeli veriye götüren; veriyi modele getirmeyen bir eğitim yaklaşımıdır. Ham veri cihazda ya da kurumda kalır, merkeze yalnızca güncellemeler gider ve sunucu bunları birleştirir.

Faydası, veri taşıma ihtiyacını azaltması ve katılımcı güvenini artırabilmesidir. Sınırı ise karmaşık mühendislik, heterojen veri ve güncellemelerden sızabilecek bilgidir.

Bu nedenle diferansiyel gizlilik ve güvenli toplama gibi katmanları tasarıma baştan eklemek gerekir. Hukuki tarafı da ayrıca uzmanlarla değerlendirmelisiniz.

Daha yakın terimleri merak ediyorsanız, kardeş yazılarımız konuyu tamamlar. Cihaz üstü çalışma için Edge AI yazımıza, aşırı öğrenme için Overfitting yazımıza geçebilirsiniz.

Yöntemler ve araçlar hızlı değiştiği için, uygulamaya geçmeden önce ilgili sağlayıcının resmi belgelerini kontrol edin.