| Περίληψη: | Στις μέρες μας η Τεχνητή Νοημοσύνη παρέχει πρακτικές λύσεις σε μια πληθώρα ερευνητικών τομέων και βιομηχανικών εφαρμογών. ΄Ενα υποσύνολο αυτής, η Μηχανική Μάθηση αναπτύσσεται με ιλιγγιώδεις ρυθμούς εκμεταλλευόμενη την παμμέγεθη έκρηξη πληροφορίας που είναι πλέον διαθέσιμη. Μοντέλα Μηχανικής Μάθησης κάνουν προβλέψεις και λαμβάνουν αποφάσεις για ζητήματα μείζονος σημασίας για τους ανθρώπους, όπως η βιομηχανία και η άμυνα. Η ακρίβεια και η απόδοση των συγκεκριμένων μοντέλων συνδέεται άρρηκτα με το πλήθος και την ποιότητα των δεδομένων που τους παρέχουμε. Οι σχεδιαστές ωστόσο δεν έχουν πάντα πρόσβαση σε επαρκή και ποιοτικά δεδομένα, καθώς αυτά είτε προστατεύονται από κανονισμούς προσωπικών δεδομένων, είτε οι κάτοχοι τους αρνούνται να τα μοιραστούν. Ιδιαίτερα στον κλάδο της βιομηχανίας η εύρεση δεδομένων για εκπαίδευση μοντέλων είναι εξαιρετικά δύσκολη εξ αιτίας του ανταγωνισού μεταξύ των εταιρειών. Το Federated Learning στοχεύει στη δημιουργία ισχυρών μοντέλων που χρησιμοποιούν τα δεδομένα πολλαπλών χρηστών ή οργανισμών, διατηρώντας την ιδιωτικότητά τους. Η τεχνική αυτή εκμεταλλεύεται τις υπολογιστικές μονάδες των χρηστών στις οποίες γίνεται η εκπαίδευση των μοντέλων χωρίς να αποστέλλονται δεδομένα στον κεντρικό εξυπηρετητή που τις συντονίζει. Στόχος της παρούσας εργασίας είναι η μελέτη Federated Learning τεχνικών σε εφαρμογές που αφορούν στη βιομηχανία. Γίνεται εφαρμογή τέτοιων τεχνικών σε δύο περιπτώσεις χρήσης που εντάσσονται στο πλαίσιο της Προβλεπτικής Συντήρησης Μηχανών, χρησιμοποιώντας δεδομένα κινητήρων αεροσκαφών και μηχανημάτων παστερίωσης ζύθου.
|
|---|
