ಫ್ಲೋರ್ ಮೇಲಿನ ರೋಬೋಟ್ ಪ್ರತಿಕ್ರಿಯೆಯೊಂದಿಗೆ (on-floor robot feedback) ಜೋಡಿಸಲಾದ ಸ್ಪಾರ್ಸ್ ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್ (Sparse federated learning), ತಾಮ್ರದ ವಿಂಗಡಣೆಯ ನಿಖರತೆಯನ್ನು ಮೂರು ತರಬೇತಿ ಸುತ್ತುಗಳಲ್ಲಿ (training rounds) 60% ರಿಂದ 94% ಕ್ಕೆ ಏರಿಸಿತು, ಮತ್ತು ಪ್ರತಿಯೊಬ್ಬ ಭಾಗವಹಿಸುವವರ ಡೇಟಾವನ್ನು ಅತ್ಯಂತ ಸುರಕ್ಷಿತವಾಗಿರಿಸಿತು. ಈ ಮಹತ್ವದ ಬೆಳವಣಿಗೆಯು ತಯಾರಕರು, ಮರುಬಳಕೆದಾರರು ಅಥವಾ ಸ್ಮೆಲ್ಟರ್‌ಗಳು ತಮ್ಮ ಮಾಲೀಕತ್ವದ ವಿನ್ಯಾಸಗಳು, ಸೆನ್ಸರ್ ಲಾಗ್‌ಗಳು ಅಥವಾ ಪ್ರಕ್ರಿಯೆ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವ ಅಗತ್ಯವಿಲ್ಲದೆಯೇ, ಉನ್ನತ ದರ್ಜೆಯ ಇ-ತ್ಯಾಜ್ಯ ಮರುಬಳಕೆಗೆ ದಾರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ ಎಂಬ ಕಾರಣಕ್ಕೆ ಮುಖ್ಯವಾಗಿದೆ.

ಈ ಸಮಸ್ಯೆ ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ

ಇ-ತ್ಯಾಜ್ಯವು ಅಮೂಲ್ಯವಾದ ಲೋಹಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಆದರೆ ಅವುಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ದತ್ತಾಂಶ-ಅಭಿಮುಖ (data-intensive) ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ವಿನ್ಯಾಸಕರು ವಿವರವಾದ ನೀಲನಕ್ಷೆಗಳನ್ನು (blueprints) ರಕ್ಷಿಸುತ್ತಾರೆ, ಮರುಬಳಕೆದಾರರು ವಿಘಟನಾ 라ಯಿಂದ ಬರುವ ಕಂಪನ, ಚಿತ್ರ ಮತ್ತು ಪಠ್ಯ ದತ್ತಾಂಶಗಳನ್ನು ಹೊಂದಿರುತ್ತಾರೆ, ಮತ್ತು ಸ್ಮೆಲ್ಟರ್‌ಗಳು ಮಾಲೀಕತ್ವದ ಪ್ರಕ್ರಿಯೆ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ನಡೆಸುತ್ತಾರೆ. ಸ್ಪರ್ಧಾತ್ಮಕ ಅನುಕೂಲವನ್ನು ಕಳೆದುಕೊಳ್ಳುವ ಅಥವಾ ಗೌಪ್ಯತಾ ನಿಯಮಗಳನ್ನು ಉಲ್ಲಂಘಿಸುವ ಭಯದಿಂದ ಈ ಯಾವುದೇ ಪಾರ್ಟಿಗಳು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ನೀಡಲು ಬಯಸುವುದಿಲ್ಲ. ಇದರ ಪರಿಣಾಮವಾಗಿ ಉಂಟಾಗುವ ಡೇಟಾ ಸೈಲೋಗಳು (data silos) ವೃತ್ತಾಕಾರದ ಆರ್ಥಿಕತೆಯನ್ನು (circular economy) ಕುಂಠಿತಗೊಳಿಸುತ್ತವೆ: ಅಮೂಲ್ಯ ಲೋಹಗಳು ವ್ಯರ್ಥವಾಗುತ್ತವೆ ಮತ್ತು ತಯಾರಕರು ಉತ್ಪನ್ನಗಳ ಜೀವನದ ಅಂತ್ಯದ ನಿರ್ವಹಣೆಯನ್ನು ಸುಧಾರಿಸುವ ಅವಕಾಶಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತಾರೆ.

ಸ್ಪಾರ್ಸ್ ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಖಾನೆಯ ವಾಸ್ತವವನ್ನು ಹೇಗೆ ಎದುರಿಸುತ್ತದೆ

ಪ್ರಮಾಣಿತ ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್—ಎಲ್ಲಿ ಹಲವಾರು ಸಾಧನಗಳು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸದೆ ಹಂಚಿಕೆಯ ಮಾಡಲಾದ ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತವೆಯೋ—ಅದು ಕೈಗಾರಿಕಾ ಪರಿಸರದಲ್ಲಿ ಮೂರು ಕಾರಣಗಳಿಂದಾಗಿ ವಿಫಲವಾಗುತ್ತದೆ.

  • ತೀವ್ರ ವೈವಿಧ್ಯತೆ (Extreme heterogeneity) – ಸೆನ್ಸರ್‌ಗಳು ಹೈ-ರೆಸಲ್ಯೂಶನ್ ಕ್ಯಾಮೆರಾಗಳಿಂದ ಹಿಡಿದು ಕಡಿಮೆ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಇರುವ ವೈಬ್ರೇಶನ್ ಮೀಟರ್‌ಗಳವರೆಗೆ ವಿಭಿನ್ನ ಪ್ರಕಾರ ಮತ್ತು ಫಾರ್ಮ್ಯಾಟ್‌ಗಳಲ್ಲಿರುತ್ತವೆ. ಒಂದು ಮಾದರಿಯು ಇಂತಹ ವಿಭಿನ್ನ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಸಮನ್ವಯಗೊಳಿಸಲು ಹೆಣಗಾಡುತ್ತದೆ.
  • ಅಲ್ಪ ಸಂಪರ್ಕ (Sparse connectivity) – ಫ್ಯಾಕ್ಟರಿ Wi-Fi ಅನಿಶ್ಚಿತವಾಗಿರಬಹುದು. ಅಸ್ಥಿರ ಸಂಪರ್ಕದ ಮೂಲಕ ಪೂರ್ಣ ಮಾಡೆಲ್ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಕಳುಹಿಸುವುದು ತರಬೇತಿಯನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ.
  • ಲೇಬಲ್ ಸಮಸ್ಯೆ (The label problem) – ಆಪರೇಟರ್‌ಗಳ ಬಳಿ ಪ್ರತಿಯೊಂದು ವಸ್ತುವಿನ ನಿಖರವಾದ ಲೇಬಲ್‌ಗಳು ಅಪರೂಪವಾಗಿರುತ್ತವೆ. ಕೇವಲ ಒಂದು ಬ್ಯಾಚ್‌ನ ಸಾಮಗ್ರಿ ಯಶಸ್ವಿಯಾಗಿ ಮರುಪಡೆಯಲಾಗಿದೆಯೇ ಎಂಬ ಅಸ್ಪಷ್ಟ ಮಾಹಿತಿ ಮಾತ್ರ ಅವರಿಗೆ ತಿಳಿದಿರುತ್ತದೆ, ಇದು ಕಲಿಕೆಯ ಚಿತ್ರಣವನ್ನು ಮಸುಕುಗೊಳಿಸುತ್ತದೆ.

ಹೊಸ ವಿಧಾನವು ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ಮೂರು ತಾರ್ಕಿಕ ಕ್ಲೈಂಟ್ ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ. ವಿನ್ಯಾಸ-ಕೇಂದ್ರಿತ OEM ಕ್ಲೈಂಟ್‌ಗಳು ಬ್ಲೂಪ್ರಿಂಟ್ ಡೇಟಾದ ಮೇಲೆ ಎನ್‌ಕೋಡರ್‌ಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತಾರೆ, ಆದರೆ ಮರುಬಳಕೆದಾರರ ಕ್ಲೈಂಟ್‌ಗಳು ಶಾಪ ಫ್ಲೋರ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಿದ ಶಬ್ದಯುಕ್ತ ಸೆನ್ಸರ್ ಫೀಡ್‌ಗಳ ಮೇಲೆ ಎನ್‌ಕೋಡರ್‌ಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತಾರೆ. ಕ್ಲೌಡ್‌ನಲ್ಲಿರುವ ಅಗ್ಲಿಗೇಟರ್ (aggregator) ಈ ಎರಡು ಎನ್‌ಕೋಡರ್ ಸ್ಪೇಸ್‌ಗಳನ್ನು ಮುಂದಿನ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ (classification) ಸಾಮಾನ್ಯ ಪ್ರತಿನಿಧಿಯಾಗಿ ಜೋಡಿಸುತ್ತದೆ.

ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ನಿಯಂತ್ರಣದಲ್ಲಿಡಲು, ಸಿಸ್ಟಮ್ top-k gradient sparsification ಅನ್ನು ಬಳಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಕ್ಲೈಂಟ್ ತಾನು ಅತ್ಯಂತ ಪ್ರಮುಖವೆಂದು ನಿರ್ಧರಿಸಿದ ಕೇವಲ 1% ಗ್ರೇಡಿಯಂಟ್‌ಗಳನ್ನು ಮಾತ್ರ ರವಾನಿಸುತ್ತದೆ. ಎರ್ರರ್-ಬಫರ್ (error-buffer) ಕೈಬಿಡಲಾದ ಸಣ್ಣ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಮರು-ಪ್ರವೇಶಿಸುತ್ತದೆ, ಇದರಿಂದ ಮಾಡೆಲ್ ಸೂಕ್ಷ್ಮ ಮಾದರಿಗಳನ್ನು ಮರೆಯದಂತೆ ಖಚಿತಪಡಿಸುತ್ತದೆ.

ರೋಬೋಟ್ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಲೇಬಲ್‌ಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವುದು

ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್ ಮಾತ್ರ ಲೇಬಲ್ ಕೊರತೆಯನ್ನು ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಸಂಶೋಧಕರು embodied agents—ವಿಂಗಡಣೆಗೆ ಬಳಸುವ ಅದೇ ಸೆನ್ಸರ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ರೋಬೋಟ್‌ಗಳನ್ನು ಸೇರಿಸಿದ್ದಾರೆ. ರೋಬೋಟ್ ಲೋಹದ ತುಣುಕಿನ ಬಗ್ಗೆ ಅನಿಶ್ಚಿತವಾಗಿದ್ದಾಗ, ಅದು ಮಾನವ ಆಪರೇಟರ್‌ಗೆ ಸೂಚಿಸುತ್ತದೆ. ಆಪರೇಟರ್ ಸರಿಯಾದ ಲೋಹದ ಲೇಬಲ್ ನೀಡುತ್ತಾರೆ, ಇದು ಸ್ಥಳೀಯ ತರಬೇತಿ ಲೂಪ್‌ಗೆ ಮರಳುತ್ತದೆ.

ಈ ಫೀಡ್‌ಬ್ಯಾಕ್ ಲೂಪ್ ಅನಿಶ್ಚಿತತೆಯ ಕ್ಷಣವನ್ನು ನಿಖರವಾದ ದತ್ತಾಂಶದ ಅಂಶವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಇದು ತರಬೇತಿ ಸೆಟ್‌ನ ಸಿಗ್ನಲ್-ಟು-ನಾಯ್ಸ್ ಅನುಪಾತವನ್ನು (signal-to-noise ratio) ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. ಲೇಬಲ್ ಎಂಬುದು ನೈಜ ವಸ್ತುವನ್ನು ನೋಡುವ ಮಾನವನಿಂದ ಬರುವುದರಿಂದ, ಮಾಡೆಲ್ ಕೇವಲ "ಮರುಪಡೆದ vs ಕಳೆದುಹೋದ" ಬ್ಯಾಚ್ ಫಲಿತಾಂಶಗಳಿಂದ ಕಲಿಯುವ ಬದಲು, ನಿಖರವಾದ ಸತ್ಯಾಂಶದಿಂದ (ground-truth) ಕಲಿಯುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಪರಿಣಾಮಗಳು

ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಸಂಯೋಜಿತ ವ್ಯವಸ್ಥೆಯು ಕೇವಲ ಮೂರು ಫೆಡರೇಟೆಡ್ ಸುತ್ತುಗಳ ನಂತರ ತಾಮ್ರದ ವಿಂಗಡಣೆಯ ನಿಖರತೆಯನ್ನು 60% ರಿಂದ 94% ಕ್ಕೆ ಹೆಚ್ಚಿಸಿತು. ಇನ್‌ಪುಟ್ ಸ್ಟ್ರೀಮ್‌ಗಳ ತೀವ್ರ ವೈವಿಧ್ಯತೆ ಮತ್ತು ಸಂವಹನಗೊಂಡ ಕೇವಲ 1% ಗ್ರೇಡಿಯಂಟ್ ಡೇಟಾ ಇದ್ದರೂ ಈ ಜಿಗಿತವು ಸಂಭವಿಸಿತು. ಎರ್ರರ್-ಬಫರ್ ಮೂಲಕ, ಆರಂಭದಲ್ಲಿ ಕೈಬಿಡಲಾದ ಸೂಕ್ಷ್ಮ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಮಾಡೆಲ್ ಸೆರೆಹಿಡಿಯುವಂತೆ ಮಾಡಲಾಯಿತು.

ಈ ಫಲಿತಾಂಶವು ಉನ್ನತ ನಿಖರತೆಯ ಮರುಬಳಕೆಗೆ ಏಕಕಾಲದ, ಕೇಂದ್ರದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ AI ಮಾಡೆಲ್ ಅಗತ್ಯವಿಲ್ಲ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ವಿತರಿಸಿದ ಕಲಿಕೆಯು (Distributed learning) ಪ್ರತಿಯೊಬ್ಬ ಪಾಲುದಾರರ ಡೇಟಾ ಸಾರ್ವಭೌಮತ್ವವನ್ನು (data sovereignty) ಗೌರವಿಸುತ್ತಲೇ, ನೈಜ ಪ್ರಪಂಚದ ವೈವಿಧ್ಯತೆಯನ್ನು ನಿಭಾಯಿಸಲು ಬೇಕಾದ ಬಲವಾದ ಮಾಡೆಲ್ ಅನ್ನು ನೀಡಬಲ್ಲದು.

ಸಂಭಾವ್ಯ ನ್ಯೂನತೆಗಳು ಮತ್ತು ವಿರೋಧಾಭಾಸಗಳು

ರೋಬೋಟ್ ಅನಿಶ್ಚಿತವಾಗಿದ್ದಾಗಲೆಲ್ಲಾ ಈ ವಿಧಾನವು ಮಾನವ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಅವಲಂಬಿಸಿದೆ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

ಈ ವಿಧಾನವು ಈ ಒತ್ತಡದ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಯಶಸ್ವಿಯಾದರೆ, ಇದು ಗೌಪ್ಯತೆಯನ್ನು ಕಾಪಾಡುವ ಮತ್ತು ದತ್ತಾಂಶ-ದಕ್ಷತೆಯ ಮರುಬಳಕೆ ಮೂಲಸೌಕರ್ಯದ ಬೆನ್ನೆಲುಬಾಗಬಹುದು—ಅಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬ ಪಾಲುದಾರರು ತಮ್ಮ ರಹಸ್ಯಗಳನ್ನು ಬಿಟ್ಟುಕೊಡದೆ, ಹಂಚಿಕೆಯ ಬುದ್ಧಿವಂತತೆಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು.

ಸಾರಾಂಶ: ರೋಬೋಟ್-ಸೃಷ್ಟಿತ ಮಾನವ ಲೇಬಲ್‌ಗಳಿಂದ ವರ್ಧಿತವಾದ ಸ್ಪಾರ್ಸ್ ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್, ವೃತ್ತಾಕಾರದ ಉತ್ಪಾದನೆಯ ಚದುರಿದ ಡೇಟಾವನ್ನು ಶಕ್ತಿಯುತವಾದ, ಗೌಪ್ಯತೆ-ಸುರಕ್ಷಿತ ಮಾಡೆಲ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಇ-ತ್ಯಾಜ್ಯ ವಿಂಗಡಣೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. ಬೃಹತ್ ಕೇಂದ್ರ ಮಾಡೆಲ್‌ಗಳಿಗಿಂತ ವಿತರಿಸಿದ AI (distributed AI) ನಿಜವಾದ ಹಸಿರು ಮತ್ತು ದಕ್ಷ ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಪೂರೈಕೆ ಸರಪಳಿಯ ಚಾಲಕ ಶಕ್ತಿಯಾಗಬಹುದು ಎಂದು ಈ ತಂತ್ರಜ್ಞಾನವು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ.