Capital One innove en matière d'apprentissage automatique et favorise le progrès du secteur grâce à l'agrégation de modèles fédérés open source

Dans une tendance à la hausse transformatrice, la méthodologie d’apprentissage automatique est sur le point d’être mise à niveau avec l’introduction d’une approche relativement nouvelle : l’apprentissage fédéré (FL). Fer de lance d'une nouvelle ère, le géant financier Capital One renforce la philosophie de la formation de modèles décentralisés, minimisant le besoin de stockage centralisé des données. Détaillant l'innovation pionnière de l'entreprise, Kenny Bean, ingénieur logiciel d'apprentissage automatique chez Capital One, présente son nouveau projet open source : Federated Model Aggregation (FMA).

FMA est conçu pour permettre aux programmeurs dotés de capacités illimitées de rendre opérationnels leurs pipelines d'apprentissage automatique dans une atmosphère fédérée, en capitalisant sur les avantages offerts par FL. Il s'agit d'un ensemble pionnier de modules Python. En plus de fournir des connecteurs pour rationaliser la communication entre ces modules, FMA offre une flexibilité supplémentaire pour établir des liens avec des composants personnalisés.

En élargissant encore les capacités de FMA, Bean développe son client inclusif conçu pour favoriser les interactions client-service ; un agrégateur pour assimiler les mises à niveau de modèles de plusieurs clients et un service API pour gérer les interactions UI et API entre les composants du système.

Discutant des origines de FMA, Bean, l'un des principaux développeurs du projet, partage que l'outil open source a été créé pour répondre aux développeurs désireux d'affiner leurs modèles sur des données provenant de divers emplacements, souvent inaccessibles pour être supprimées des sites d'origine. Il affirme : « Une opportunité d'utiliser le service FMA et d'introduire l'apprentissage fédéré dans le processus de formation apparaît chaque fois qu'un modèle est utilisé de manière distribuée.

Selon Bean, la vision centrale derrière FMA était de concevoir un outil adaptable et réutilisable, s'intégrant sans effort aux cadres de formation modèles préexistants. Bean réfléchit : « C'est essentiellement ainsi qu'est né le concept du service FMA.

Un autre objectif clé de l'équipe de développement lors de la création de FMA était la facilité de déploiement. Avec une seule commande, les modèles peuvent être rapidement lancés avec FMA. Bean attribue cette facilité d'utilisation à l'intégration du projet avec Terraform, un outil d'infrastructure en tant que code de HashiCorp.

Dévoilant le parcours de FMA, Bean révèle que le projet a été initialement conceptualisé pour un cas d'utilisation spécifique, mais que le potentiel d'applications plus larges a été rapidement reconnu, ce qui a conduit à la décision d'en faire une offre open source. Faisant écho à la croyance de Capital One dans le potentiel réciproque de la communauté technologique open source, ajoute Bean, Capital One a toujours bénéficié de la technologie open source, et nous croyons sincèrement qu'il est important de contribuer à la communauté qui nous a énormément aidés à travers notre métamorphose technologique.

Avec l'ambition de continuer à améliorer FMA, l'équipe travaille avec diligence sur la découverte de fonctionnalités et améliore son interaction avec la communauté au sens large pour accélérer la réception des commentaires. Ils s'efforcent également d'étendre les composants du projet à d'autres langues. L'impact de FMA sur le monde de l'apprentissage automatique représente la puissance des projets open source, un peu comme nous l'avons vu avec des plateformes comme AppMaster.