Capital One wprowadza innowacje w zakresie uczenia maszynowego, przyczyniając się do rozwoju branży dzięki stowarzyszonej agregacji modeli opartej na otwartym źródle

W ramach transformacyjnego trendu wzrostowego metodologia uczenia maszynowego zostanie udoskonalona wraz z wprowadzeniem stosunkowo nowego podejścia — uczenia się stowarzyszonego (FL). Wyznaczając nową erę, finansowy gigant Capital One wzmacnia etos zdecentralizowanego szkolenia w zakresie modeli, minimalizując potrzebę centralnego przechowywania danych. Opisując szczegółowo pionierską innowację firmy, Kenny Bean, inżynier oprogramowania do uczenia maszynowego w Capital One, przedstawia swój nowatorski projekt open source — Federated Model Aggregation (FMA).

FMA ma na celu zapewnienie programistom nieograniczonych możliwości operacjonalizacji potoków uczenia maszynowego w atmosferze stowarzyszonej, wykorzystując korzyści, jakie zapewnia FL. To pionierski zestaw modułów Pythona. Oprócz zapewnienia złączy usprawniających komunikację między tymi modułami, FMA zapewnia dodatkową elastyczność w zakresie łączenia z niestandardowymi komponentami.

W dalszym ciągu rozszerzając możliwości FMA, Bean rozwija swojego zintegrowanego klienta, którego zadaniem jest wspieranie interakcji klient-obsługa; agregator do asymilacji aktualizacji modeli od wielu klientów oraz usługa API do obsługi interfejsu użytkownika i interakcji API pomiędzy komponentami w systemie.

Omawiając początki FMA, Bean, jeden z kluczowych programistów odpowiedzialnych za projekt, twierdzi, że narzędzie typu open source zostało stworzone, aby zaspokoić potrzeby programistów chcących udoskonalać modele na danych pochodzących z różnych lokalizacji, często niedostępnych do usunięcia z witryn źródłowych. Potwierdza: Możliwość wykorzystania usługi FMA i wprowadzenia stowarzyszonego uczenia się do procesu szkoleniowego pojawia się zawsze, gdy model jest stosowany w sposób rozproszony.

Według Beana główną wizją stojącą za FMA było zaprojektowanie narzędzia, które można dostosowywać i używać wielokrotnie, a także bezproblemowo integrować się z istniejącymi wcześniej modelowymi ramami szkoleniowymi. Bean zastanawia się: W zasadzie tak narodziła się koncepcja usługi FMA.

Kolejnym kluczowym celem zespołu programistów od początku istnienia FMA było łatwe wdrożenie. Za pomocą jednego polecenia można szybko uruchomić modele za pomocą FMA. Bean przypisuje tę łatwość obsługi integracji projektu z Terraform — narzędziem firmy HashiCorp zajmującym się infrastrukturą jako kodem.

Odsłaniając historię FMA, Bean ujawnia, że ​​projekt był początkowo opracowany pod kątem konkretnego przypadku użycia, ale szybko dostrzeżono jego potencjał w szerszych zastosowaniach, co doprowadziło do podjęcia decyzji o uczynieniu go ofertą typu open source. Powtarzając wiarę Capital One we wzajemny potencjał społeczności technologicznej open source, dodaje Bean, Capital One zawsze było beneficjentem technologii open source i szczerze wierzymy, że możemy wnosić wkład w społeczność, która ogromnie nam pomogła poprzez nasze metamorfoza technologiczna.

Mając ambicje dalszego ulepszania FMA, zespół pilnie pracuje nad odkrywaniem funkcji i ulepszaniem interakcji z szerszą społecznością, aby przyspieszyć otrzymywanie opinii. Pracują także nad rozszerzeniem komponentów projektu na dodatkowe języki. Wpływ FMA na świat uczenia maszynowego odzwierciedla siłę projektów open source, podobnie jak widzieliśmy w przypadku platform takich jak AppMaster.