پروژه flower

adap/flower

کاربرد:

Flower یک چارچوب دوست‌داشتنی برای هوش مصنوعی فدرال (Federated AI) است که به توسعه‌دهندگان اجازه می‌دهد مدل‌های یادگیری ماشین را به‌صورت غیرمتمرکز آموزش دهند، بدون اینکه داده‌ها از دستگاه کاربر خارج شوند. این چارچوب انعطاف‌پذیر است و با فریم‌ورک‌های مختلف یادگیری ماشین مثل PyTorch،TensorFlow و غیره کار می‌کند.

در چه شرایطی بهتره استفاده شود؟

وقتی حریم خصوصی داده‌ها مهم باشه، مثل حوزه‌های سلامت، مالی یا هر جایی که داده‌ها حساس هستند و اشتراک‌گذاری متمرکز آن‌ها غیرممکن یا پرریسک باشه. همچنین وقتی داده‌ها به‌صورت طبیعی پراکنده هستند (مثل گوشی‌های هوشمند یا دستگاه‌های IoT)، Flower گزینه عالی‌ای است.

چند مثال از موارد استفاده

بیمارستان‌ها می‌تونن مدل تشخیص بیماری رو بدون اشتراک دادن پرونده‌های بیمار آموزش بدن.

بانک‌ها می‌تونن الگوهای کلاهبرداری رو تشخیص بدن بدون اینکه داده مشتریان منتقل شود.

شرکت‌های فناوری می‌تونن مدل‌های پیش‌بینی متن یا صدا رو روی گوشی کاربر آموزش بدن، بدون دسترسی به داده شخصی.