Federated learning (federatif öğrenme), yapay zekâ modellerinin verileri merkezi bir sunucuya taşımadan, doğrudan cihazlar üzerinde eğitilmesini sağlayan dağıtık bir makine öğrenimi yaklaşımıdır. Yani veriler değil, yalnızca öğrenilen bilgiler (model ağırlıkları) paylaşılır.
Bu yöntem, veri gizliliği ve güvenlik gereksinimlerinin yüksek olduğu IoT ve mobil sistemlerde öne çıkar. Cihazlar kendi verilerinden öğrenir, sonuçları merkezi bir modele katkı sağlar; ancak ham veriler hiçbir zaman cihaz dışına çıkmaz.
Federated Learning Nasıl Çalışır?
Federatif öğrenme, klasik makine öğrenimi sürecinden farklı olarak üç temel adımda işler:
- Yerel Model Eğitimi: Her cihaz (örneğin sensör, akıllı telefon, IoT modülü) kendi verisiyle bir yapay zekâ modelini eğitir.
- Model Güncelleme: Cihaz, öğrenilen parametreleri (model ağırlıklarını) merkezi sunucuya gönderir.
- Model Birleştirme (Aggregation): Sunucu tüm cihazlardan gelen güncellemeleri birleştirerek genel modeli günceller ve yeni sürümü tekrar cihazlara gönderir.
Bu döngü sürekli devam eder. Böylece sistem hem dağıtık hem de gizliliğe duyarlı bir biçimde öğrenmeye devam eder.
Federated Learning’in Avantajları ve Kullanım Alanları
- Veri gizliliği: Hassas veriler (sağlık kayıtları, kullanıcı davranışları vb.) cihazda kalır.
- Veri güvenliği: Veriler merkezi olarak depolanmadığı için siber saldırı riski azalır.
- Verimlilik: Ağ trafiği düşer; yalnızca model güncellemeleri paylaşılır.
- Uyarlanabilirlik: Modeller farklı cihaz türlerine ve koşullara göre kendini optimize edebilir.
Federated learning; akıllı telefon klavye önerileri, sağlık izleme sistemleri, akıllı şehir verileri, otonom araç ağları ve endüstriyel IoT platformları gibi alanlarda hızla yaygınlaşmaktadır.
Kısacası, federated learning, yapay zekânın merkezi veri bağımlılığını ortadan kaldıran bir devrimdir — cihazlar birlikte öğrenir, ama verilerini paylaşmaz.
