منو سایت

قدرت یادگیری فدرال و اینترنت اشیا

 تاریخ انتشار :
/
  وبلاگ

بلاک چین Phoenix Global (PHB) از Nex-Gen DApp هایی استفاده می کند که متناسب با تجربه مشتری ساخته شده اند. برنامه های PHP غیر متمرکز (DApps) مقیاس پذیری و انعطاف پذیری بهینه ای را از طریق زنجیره های جانبی سازمانی و قراردادهای هوشمند چند سطحی نوید می دهند. رمزگذاری داده های سطح بالا ، مکانیسم اجماع دوگانه برای بهبود چابکی و عملکرد ، امنیت و تعاملات پیشرفته از دیگر مزایای آن است.

نقش آموزش فدرال و اینترنت اشیا در استقرار PHB چیست؟

آموزش فدرال – مروری سریع

یادگیری فدرال ، که اغلب از آن به عنوان هوش مصنوعی توزیع شده/یادگیری ماشین یاد می شود ، روشی است که یادگیری مشارکتی از مجموعه داده های بزرگ متعلق به مالکان مختلف را بدون آسیب رساندن به حریم خصوصی داده های خام هر فرد تسهیل می کند.

به عبارت دیگر ، از قدرت محاسباتی چندین منبع یادگیری برای افزایش کارآیی یادگیری یک مدل استفاده می کند در حالی که راه حل های عالی حفظ حریم خصوصی را برای همه دارندگان داده ارائه می دهد.

FL به طور خاص مفید است اگر داده های مورد نیاز به دلایل استراتژیک یا قانونی به صورت منبع باز یا به آسانی در دسترس نباشند. علاوه بر این ، به دنبال این است که با اتخاذ یک رویکرد آموزشی مدل مشارکتی بدون افشای داده های حساس ، با مسائل مربوط به حریم خصوصی و حاکمیت داده ها مقابله کند.

  • به عنوان مثال ، اتومبیل های خودران برای تسریع یادگیری به مجموعه وسیعی از داده های دنیای واقعی نیاز دارند-استفاده از رویکرد ابری معمولی می تواند چالش های ایمنی را ایجاد کند. FL می تواند امنیت داده ها و یادگیری سریع را تضمین کند.
  • تکنیک های یادگیری ماشین (ML) در صنعت 4.0 و سیستم های بهداشتی پیشرفته برای ارتقاء ایمنی ، اثربخشی و کارآیی از استقبال گسترده ای برخوردار شده است. با این حال ، حریم خصوصی داده ها تضمین نمی شود ، اما با الگوریتم های FL ، داده های حساس ایمن می مانند.

اینترنت اشیا (IoT) – چشم انداز سریع

اینترنت اشیاء (IoT) با استفاده از برف برفی برنامه های کاربردی مجهز به هوش مصنوعی و دیگر سرویس های هوشمند به سرعت در همه جنبه های زندگی نفوذ می کند.

این اتصال میلیاردها دستگاه مجهز به شبکه-“چیزها” را تسهیل می کند و از مقادیر زیادی نقاط متمرکز داده استفاده می کند.

به دلیل مقیاس پذیری و افزایش نگرانی های حریم خصوصی ، تکنیک های سنتی هوش مصنوعی ممکن است موارد کاربرد واقعی را در شبکه های نوظهور IoT پیدا نکنند.

Federated Learning & IoT – Phoenix Global در ترکیب

در حالی که نکات مثبت اینترنت اشیا غیرقابل انکار است ، مقیاس پذیری ، امنیت و نگرانی های حریم خصوصی پیرامون آن (اینترنت اشیا) همچنان معتبر است. با این حال ، یادگیری فدرال (FL) به عنوان یک رویکرد هوش مصنوعی مشارکتی و توزیعی (AI) برای حل این چالش ها ظاهر شده است.

با چندین گفتگوی مداوم در فضای بلاک چین ، حجم زیادی از داده های جمع آوری شده در هر زمان و ظهور شرکت های بزرگ مصرف کننده و خلبانان ، به طور فزاینده ای آشکار می شود که یادگیری فدراسیون قابلیت های هوش مصنوعی و موارد استفاده را تسریع می کند.

کاربرد سریع FL در پدیده چین محور دیده می شود. علاوه بر این ، نیاز به بینش های مبتنی بر هوش مصنوعی همچنان رو به افزایش است ، به ویژه با رشد نمایی تقاضا برای برنامه های کاربردی هوش مصنوعی داده محور.

Phoenix Global – یک بازیگر مستقل در بازار ، همراه با Seneca ESG و APEX Technologies ، قرار است با ادغام FL با Phoenix Oracle و مدلها و سیستمهای هوش مصنوعی فعلی مانند APEX IQ ، پذیرش اولیه شرکت را به مصرف کنندگان ارائه دهد.

ادغام با اوراکل آماده برای شرکت تضمین می کند که برنامه های کاربردی یادگیری فدرال مسائل مربوط به امنیت داده های مصرف کننده ، صداقت و شفافیت را حل کرده و در عین حال مزایای کامل بلاک چین را به حداکثر می رساند.

FL کار می کند pari passu با اینترنت اشیا جدیدترین خلبانان در مشاغل Business-to-Business (B2B) هستند ، جایی که گره های داده دستگاه های هوشمند یا گره های محلی هستند ، مانند محاسبات لبه ای. این نوع موارد استفاده همچنان در زمینه فناوری و Blockchain مورد توجه قرار گرفته است ، و آنجاست که PHB دوباره به ترکیب می آید.

FL & IoT فرصتهای هیجان انگیز زیادی را ارائه می دهد و PHB با سوار شدن احتمالی مصرف کنندگان و دستگاه های آنها بسیار سود خواهد برد.

افکار نهایی

معایب IoT غیرقابل انکار است و مزایای آن نیز همینطور. آموزش فدرال یک مکانیسم ML بدون عیب و کارآمد برای حل نگرانی های موجود در مورد ظرفیت سخت افزاری ، حریم خصوصی داده ها و اتصال دستگاه های IoT ارائه می دهد. Phoenix Global به دنبال دفاع از سیستم های Nex-Gen داده های گسترده غیر متمرکز با بهبود حکمرانی و شفافیت هوش مصنوعی و داده ها است.