Capital One innoveert machinaal leren en bevordert de vooruitgang van de industrie door open-source federatieve modelaggregatie

In een transformerende opwaartse trend is de methodologie van machine learning klaar voor een upgrade met de introductie van een relatief nieuwe aanpak: federatief leren (FL). Als speerpunt van een nieuw tijdperk versterkt financiële gigant Capital One het ethos van gedecentraliseerde modeltraining, waardoor de behoefte aan centrale gegevensopslag wordt geminimaliseerd. Kenny Bean, een machine learning-software-ingenieur bij Capital One, beschrijft de baanbrekende innovatie van het bedrijf en stelt hun nieuwe open-sourceproject voor: Federated Model Aggregation (FMA).

FMA is ontworpen om programmeurs met onbeperkte mogelijkheden in staat te stellen hun machine learning-pijplijnen in een federatieve sfeer te operationaliseren, waarbij ze profiteren van de voordelen die FL biedt. Het is een baanbrekend geheel van Python-modules. Naast het leveren van connectoren om de communicatie tussen deze modules te stroomlijnen, biedt FMA extra flexibiliteit om te koppelen met aangepaste componenten.

Bean breidt de mogelijkheden van FMA verder uit en borduurt voort op zijn inclusieve client die is ontworpen om interacties tussen klanten en diensten te bevorderen; een aggregator om modelupgrades van meerdere klanten te assimileren, en een API-service om de UI- en API-interacties tussen componenten binnen het systeem af te handelen.

Bean, een van de belangrijkste ontwikkelaars achter het project, die de oorsprong van FMA bespreekt, vertelt dat de open-sourcetool is gemaakt om tegemoet te komen aan ontwikkelaars die graag modellen willen aanscherpen op basis van gegevens afkomstig van verschillende locaties, die vaak niet toegankelijk zijn voor verwijdering van de oorspronkelijke sites. Hij bevestigt dat er een kans ontstaat om gebruik te maken van de FMA-service en gefedereerd leren in het trainingsproces te introduceren wanneer een model op een gedistribueerde manier wordt toegepast.

De centrale visie achter FMA was volgens Bean het ontwerpen van een tool die aanpasbaar en herbruikbaar is en moeiteloos kan worden geïntegreerd in reeds bestaande modeltrainingsframeworks. Bean zegt: dat is in wezen hoe het concept van de FMA-service is ontstaan.

Een ander belangrijk aandachtspunt van het ontwikkelingsteam tijdens de oprichting van FMA was eenvoudige implementatie. Met slechts één commando kunnen modellen snel worden gelanceerd met FMA. Bean dankt dit bedieningsgemak aan de integratie van het project met Terraform, een infrastructuur-als-code-tool van HashiCorp.

Bij het onthullen van de reis van FMA onthult Bean dat het project aanvankelijk was geconceptualiseerd voor een specifieke use case, maar dat het potentieel voor bredere toepassingen snel werd onderkend, wat leidde tot de beslissing om er een open source-aanbod van te maken. In navolging van Capital One 's geloof in het wederkerige potentieel van de open-source technologiegemeenschap, voegt Bean toe, is Capital One altijd een begunstigde geweest van open-source technologie, en we geloven oprecht in het bijdragen aan de gemeenschap die ons enorm heeft bijgestaan ​​via onze technologische metamorfose.

Met de ambitie om FMA te blijven verbeteren, werkt het team ijverig aan het ontdekken van functies en het verbeteren van hun interactie met de bredere gemeenschap om de ontvangst van feedback te versnellen. Ze werken er ook aan om de componenten van het project uit te breiden naar extra talen. De impact van FMA op de wereld van machine learning vertegenwoordigt de kracht van open-sourceprojecten, net zoals we hebben gezien bij platforms als AppMaster.