التعريف

النموذج الموحد (Federated Model)، الذي يتم تنفيذه غالبًا عبر التعلم الموحد (Federated Learning - FL)، هو نموذج تعلم آلي يدرب نموذجًا عالميًا مشتركًا عبر شبكة من الأجهزة الطرفية أو الخوادم اللامركزية التي تحتفظ بعينات بيانات محلية، دون تبادل البيانات الأولية نفسها. فبدلاً من تجميع البيانات الحساسة في موقع مركزي، ينتقل النموذج إلى البيانات.

أهميته

في عصر اللوائح التنظيمية الصارمة للبيانات مثل اللائحة العامة لحماية البيانات (GDPR) وقانون خصوصية المستهلك في كاليفورنيا (CCPA)، أصبح تجميع بيانات المستخدمين الحساسة في مكان مركزي محفوفًا بالمخاطر بشكل متزايد وغالبًا ما يكون غير متوافق مع اللوائح. تحل النماذج الموحدة هذه المشكلة من خلال السماح للمؤسسات بالاستفادة من مجموعات البيانات الضخمة والموزعة - مثل تلك الموجودة على الهواتف المحمولة أو المستشفيات أو خوادم الفروع المحلية - لبناء نماذج ذكاء اصطناعي قوية مع الحفاظ على البيانات محلية وخاصة.

كيفية عمله

تتضمن العملية عدة خطوات تكرارية. أولاً، يرسل خادم مركزي الإصدار الحالي للنموذج العالمي إلى العملاء المشاركين المختارين. يقوم كل عميل بعد ذلك بتدريب هذا النموذج محليًا باستخدام مجموعة البيانات الخاصة به. بعد التدريب المحلي، يرسل العملاء تحديثات النموذج فقط (مثل تحديثات التدرج أو تغييرات الأوزان) مرة أخرى إلى الخادم المركزي، وليس البيانات الأولية. يقوم الخادم بعد ذلك بتجميع هذه التحديثات - غالبًا باستخدام تقنيات مثل المتوسط الموحد (Federated Averaging - FedAvg) - لإنشاء نموذج عالمي محسّن، والذي يتم توزيعه بعد ذلك للجولة التالية من التدريب.

حالات الاستخدام الشائعة

تعد النماذج الموحدة قابلة للتطبيق بدرجة عالية في السيناريوهات التي لا يمكن فيها مغادرة البيانات مصدرها. تشمل الأمثلة: تدريب نماذج النص التنبؤي على الهواتف الذكية للمستخدمين، أو تطوير الذكاء الاصطناعي التشخيصي في شبكات المستشفيات المتعددة دون مشاركة سجلات المرضى، أو تحسين كشف الاحتيال عبر المؤسسات المالية المتعددة.

المزايا الرئيسية

تتمثل المزايا الأساسية في تعزيز خصوصية البيانات والامتثال، وتقليل تكاليف نقل البيانات، والقدرة على التدريب على بيانات واقعية ومتنوعة للغاية قد تكون معزولة بخلاف ذلك بسبب قيود الحوكمة. يؤدي هذا إلى نماذج أكثر قوة وقابلية للتعميم.

التحديات

يُدخل تطبيق التعلم الموحد عقبات تقنية. تشمل هذه إدارة تباين النظام (الأجهزة ذات القدرات الحاسوبية المختلفة)، والتعامل مع البيانات غير المستقلة والموزعة بشكل متطابق (non-IID) عبر العملاء، وضمان أمان تحديثات النموذج المنقولة ضد هجمات الاستدلال.

المفاهيم ذات الصلة

يرتبط هذا المفهوم ارتباطًا وثيقًا بالخصوصية التفاضلية (Differential Privacy) (التي تضيف ضوضاء إلى التحديثات لمنع الهندسة العكسية لنقاط البيانات الفردية) والتجميع الآمن (Secure Aggregation) (الذي يضمن عدم قدرة الخادم المركزي على رؤية تحديثات العملاء الفردية).