{"id":763958,"date":"2023-08-09T07:57:42","date_gmt":"2023-08-09T07:57:42","guid":{"rendered":"https:\/\/magazineoffice.com\/flower-consigue-36-millones-de-dolares-para-hacer-crecer-su-plataforma-de-aprendizaje-federado\/"},"modified":"2023-08-09T07:57:47","modified_gmt":"2023-08-09T07:57:47","slug":"flower-consigue-36-millones-de-dolares-para-hacer-crecer-su-plataforma-de-aprendizaje-federado","status":"publish","type":"post","link":"https:\/\/magazineoffice.com\/flower-consigue-36-millones-de-dolares-para-hacer-crecer-su-plataforma-de-aprendizaje-federado\/","title":{"rendered":"Flower consigue 3,6 millones de d\u00f3lares para hacer crecer su plataforma de aprendizaje federado"},"content":{"rendered":"
\n<\/p>\n
La dependencia de los datos p\u00fablicos, en su mayor\u00eda datos web, para entrenar la IA est\u00e1 frenando el campo de la IA. Eso es seg\u00fan Daniel Beutel, emprendedor tecnol\u00f3gico e investigador de la Universidad de Cambridge, quien cofund\u00f3 una startup, Flower, para resolver lo que \u00e9l ve como un problema creciente en la investigaci\u00f3n de IA.<\/p>\n
\u201cLos datos p\u00fablicos centralizados son solo una peque\u00f1a fracci\u00f3n de todos los datos del mundo\u201d, dijo Beutel a TechCrunch en una entrevista por correo electr\u00f3nico. \u201cEn contraste, los datos distribuidos, los datos que est\u00e1n atrapados en dispositivos como tel\u00e9fonos, dispositivos port\u00e1tiles e Internet de las cosas o en silos organizacionales, como unidades de negocios dentro de una empresa, son mucho m\u00e1s grandes y completos, pero est\u00e1n fuera del alcance de la IA en la actualidad. \u201d<\/p>\n
Flower, que Beutel co-empez\u00f3 en 2020 con los colegas de Cambridge Taner Topal y Nicholas Lane, exjefe del Centro de IA de Samsung en Cambridge, es un intento de \u00abdescentralizar\u00bb el proceso de entrenamiento de IA a trav\u00e9s de una plataforma que permite a los desarrolladores entrenar modelos en datos repartidos en miles de dispositivos y ubicaciones. Al confiar en una t\u00e9cnica llamada aprendizaje federado, Flower no proporciona acceso directo a los datos, lo que hace que sea aparentemente \u00abm\u00e1s seguro\u00bb para entrenar en situaciones donde la privacidad o el cumplimiento son preocupaciones.<\/p>\n
\u201cFlower cree que, una vez que sea f\u00e1cil y accesible debido a las ventajas fundamentales de los datos distribuidos, este enfoque de la IA no solo se convertir\u00e1 en la corriente principal, sino tambi\u00e9n en la norma sobre c\u00f3mo se realiza el entrenamiento de la IA\u201d, dijo Beutel.<\/p>\n
El aprendizaje federado no es un enfoque nuevo. Propuesta por primera vez en la academia hace a\u00f1os, la t\u00e9cnica implica entrenar algoritmos de IA en dispositivos descentralizados que contienen muestras de datos sin intercambiar esas muestras. Se puede usar un servidor centralizado para orquestar el entrenamiento del algoritmo, o la orquestaci\u00f3n puede ocurrir de igual a igual. Pero en cualquier caso, los algoritmos locales se entrenan con muestras de datos locales y los pesos (los componentes que se pueden aprender de los algoritmos) se intercambian entre ellos para generar un modelo global.<\/p>\n