借助MLOps平台简化联邦学习工作流程

联邦学习

联邦学习（Federated Learning，简称 FL）因其在将人工智能/ML 应用于分布式数据时具有隐私保护和通信效率高的特点，近来备受关注。VMware 一直积极参与 FL 社区，为开源项目做出贡献，发布解决方案白皮书，并通过各种活动推广相关技术。我们的主要重点是利用 VMware 产品和解决方案，为 FL 系统和工作负载提供安全、强大的基础架构和部署管理解决方案。我们很高兴地介绍我们最近与 One Convergence™ Inc. 的合作，将 联邦学习集成到 MLOps 解决方案（尤其是 DKube 平台）中，以增强客户的 FL 工作流程和使用体验。

联邦学习与FATE（Federated AI Technology Enabler）

人工智能的成功在很大程度上取决于用于训练有效预测模型的数据的数量和质量。然而，在现实世界的应用中，数据往往仍孤立地存在于各个数据孤岛中。这种孤立状态在共享数据时带来了一个重大挑战，这主要是由于商业竞争以及需要遵守隐私保护法律和法规，例如通用数据保护条例（GDPR）。无法充分利用数据阻碍了开发有意义模型所必需的训练过程。为了解决这个问题，联邦学习应运而生，它提供了一个解决方案，使组织间能够克服数据孤岛问题，同时确保数据隐私和安全符合法规。FATE是一个由LF AI & Data Foundation主办的开源项目，为联邦人工智能生态系统提供了一个安全计算框架。它得到了行业领导者如微众银行、VMware、腾讯、银联等的贡献。FATE起源于金融行业，非常强调隐私保护，专为工业应用而设计。其主要目标是利用同态加密和多方计算等先进技术实现安全计算协议。通过采用这些协议，FATE使各种机器学习算法得以利用