Capital One innova il machine learning, favorendo il progresso del settore attraverso l'aggregazione di modelli federati open source

In una tendenza al rialzo trasformativa, la metodologia di apprendimento automatico è destinata a un aggiornamento con l’introduzione di un approccio relativamente nuovo: l’apprendimento federato (FL). Alla guida di una nuova era, il colosso finanziario Capital One promuove l’etica della formazione di modelli decentralizzati, riducendo al minimo la necessità di archiviazione centralizzata dei dati. Descrivendo nel dettaglio l'innovazione pionieristica dell'azienda, Kenny Bean, un ingegnere di software di apprendimento automatico presso Capital One, propone il loro nuovo progetto open source: Federated Model Aggregation (FMA).

FMA è progettato per consentire ai programmatori con capacità illimitate di rendere operative le proprie pipeline di machine learning in un'atmosfera federata, sfruttando i vantaggi offerti da FL. È un insieme pionieristico di moduli Python. Oltre a fornire connettori per semplificare la comunicazione tra questi moduli, FMA offre ulteriore flessibilità per il collegamento con componenti personalizzati.

Estendendo ulteriormente le capacità di FMA, Bean elabora il suo client inclusivo progettato per favorire le interazioni cliente-servizio; un aggregatore per assimilare gli aggiornamenti del modello di più clienti e un servizio API per gestire le interazioni UI e API tra i componenti all'interno del sistema.

Discutendo delle origini di FMA, Bean, uno degli sviluppatori chiave del progetto, condivide che lo strumento open source è stato creato per soddisfare gli sviluppatori desiderosi di affinare i modelli su dati provenienti da varie posizioni, spesso inaccessibili per la rimozione dai siti di origine. Afferma: Un'opportunità per utilizzare il servizio delle FMA e introdurre l'apprendimento federato nel processo di formazione emerge ogni volta che un modello viene esercitato in modo distribuito.

La visione centrale dietro FMA, secondo Bean, era quella di progettare uno strumento che fosse adattabile e riutilizzabile, integrandosi facilmente in strutture di formazione modello preesistenti. Bean riflette: In sostanza è così che è nato il concetto del servizio delle FMA.

Un altro obiettivo chiave del team di sviluppo durante la nascita di FMA è stata la facilità di implementazione. Con un solo comando, i modelli possono essere lanciati rapidamente con FMA. Bean attribuisce questa facilità d'uso all'integrazione del progetto con Terraform, uno strumento di infrastruttura come codice di HashiCorp.

Svelando il percorso di FMA, Bean rivela che il progetto è stato inizialmente concepito per un caso d'uso specifico, ma il potenziale per applicazioni più ampie è stato rapidamente riconosciuto, portando alla decisione di renderlo un'offerta open source. Facendo eco alla convinzione di Capital One nel potenziale reciproco della comunità tecnologica open source, Bean aggiunge, Capital One è sempre stato un beneficiario della tecnologia open source e crediamo fermamente nel contribuire alla comunità che ci ha immensamente assistito attraverso il nostro metamorfosi tecnologica.

Con l'ambizione di continuare a migliorare FMA, il team sta lavorando diligentemente alla scoperta di funzionalità e al miglioramento della propria interazione con la comunità più ampia per accelerare la ricezione del feedback. Stanno anche lavorando per espandere i componenti del progetto ad altre lingue. L'impatto di FMA sul mondo dell'apprendimento automatico rappresenta la potenza dei progetti open source, proprio come abbiamo visto con piattaforme come AppMaster.