Capital One führt innovatives maschinelles Lernen ein und fördert den Branchenfortschritt durch Open-Sourcing-Aggregation föderierter Modelle

In einem transformativen Aufwärtstrend steht die Methodik des maschinellen Lernens vor einem Upgrade mit der Einführung eines relativ neuen Ansatzes – Federated Learning (FL). Als Vorreiter einer neuen Ära stärkt der Finanzriese Capital One das Ethos des dezentralen Modelltrainings und minimiert den Bedarf an zentraler Datenspeicherung. Kenny Bean, ein Softwareentwickler für maschinelles Lernen bei Capital One, erläutert die bahnbrechende Innovation des Unternehmens und stellt sein neuartiges Open-Source-Projekt vor: Federated Model Aggregation (FMA).

FMA soll Programmierern uneingeschränkte Möglichkeiten bieten, ihre Pipelines für maschinelles Lernen in einer föderierten Atmosphäre zu implementieren und dabei die Vorteile von FL zu nutzen. Es ist ein bahnbrechendes Ensemble von Python-Modulen. Neben der Bereitstellung von Anschlüssen zur Optimierung der Kommunikation zwischen diesen Modulen bietet FMA zusätzliche Flexibilität für die Verbindung mit benutzerdefinierten Komponenten.

Bean baut die Fähigkeiten von FMA weiter aus und geht auf seinen integrativen Kunden ein, der darauf ausgelegt ist, die Interaktion zwischen Kunden und Service zu fördern. ein Aggregator zur Integration von Modellaktualisierungen mehrerer Kunden und ein API-Dienst zur Abwicklung der UI- und API-Interaktionen zwischen Komponenten innerhalb des Systems.

Bean, einer der Hauptentwickler hinter dem Projekt, spricht über die Ursprünge von FMA und teilt mit, dass das Open-Source-Tool für Entwickler entwickelt wurde, die Modelle anhand von Daten verfeinern möchten, die von verschiedenen Standorten stammen, auf die oft nicht zugegriffen werden kann, um sie von den Ursprungsstandorten zu entfernen. Er bekräftigt: „Eine Gelegenheit, den FMA-Dienst zu nutzen und föderiertes Lernen in den Trainingsprozess einzuführen, ergibt sich immer dann, wenn ein Modell auf verteilte Weise eingesetzt wird.“

Laut Bean bestand die zentrale Vision von FMA darin, ein Tool zu entwickeln, das anpassbar und wiederverwendbar ist und sich mühelos in bereits vorhandene Modelltrainings-Frameworks integrieren lässt. Bean meint: So entstand im Wesentlichen das Konzept des FMA-Dienstes.

Ein weiterer Schwerpunkt des Entwicklungsteams bei der Gründung von FMA war die einfache Bereitstellung. Mit nur einem Befehl können Modelle mit FMA schnell gestartet werden. Bean führt diese einfache Bedienung auf die Integration des Projekts mit Terraform zurück – einem Infrastructure-as-Code-Tool von HashiCorp.

Bean enthüllt die Reise von FMA und verrät, dass das Projekt ursprünglich für einen bestimmten Anwendungsfall konzipiert war, das Potenzial für breitere Anwendungen jedoch schnell erkannt wurde, was zu der Entscheidung führte, es zu einem Open-Source-Angebot zu machen. Bean spiegelt den Glauben von Capital One an das reziproke Potenzial der Open-Source-Tech-Community wider und fügt hinzu: Capital One war schon immer ein Nutznießer der Open-Source-Technologie, und wir glauben ernsthaft daran, einen Beitrag zur Community zu leisten, die uns durch unsere Arbeit enorm unterstützt hat technologische Metamorphose.

Mit dem Ziel, FMA weiter zu verbessern, arbeitet das Team fleißig an der Entdeckung von Funktionen und verbessert die Interaktion mit der breiteren Community, um den Empfang von Feedback zu beschleunigen. Sie arbeiten auch daran, die Projektkomponenten auf weitere Sprachen zu erweitern. Der Einfluss von FMA auf die Welt des maschinellen Lernens stellt die Leistungsfähigkeit von Open-Source-Projekten dar, ähnlich wie wir es bei Plattformen wie AppMaster.