Розріджене федеративне навчання у поєднанні зі зворотним зв'язком від роботів безпосередньо на виробничій лінії підвищило точність сортування міді з 60% до 94% лише за три раунди навчання, при цьому забезпечивши повну конфіденційність даних кожного учасника. Цей прорив має велике значення, оскільки він відкриває шлях до високоякісної переробки електронних відходів, не змушуючи виробників, переробників або плавильні заводи розкривати свої пропрієтарні розробки, журнали сенсорів або моделі процесів.

Чому це важливо

Електронні відходи містять цінні метали, проте їх вилучення є процесом, що потребує величезних обсягів даних. Дизайнери охороняють детальні креслення, переробники володіють потоками вібраційних, візуальних та текстових даних з ліній демонтажу, а плавильні заводи використовують пропрієтарні симуляції процесів. Жодна з цих сторін не бажає передавати необроблені дані, побоюючись втрати конкурентної переваги або порушення правил конфіденційності. Виниклі в результаті ізольовані сховища даних (data silos) гальмують розвиток циклічної економіки: дорогоцінні метали втрачаються, а виробники втрачають можливості для вдосконалення процесів поводження з продукцією наприкінці її життєвого циклу.

Як розріджене федеративне навчання вирішує реальні завдання на заводах

Стандартне федеративне навчання — де кілька пристроїв тренують спільну модель без передачі необроблених даних — стикається з труднощами в промислових умовах з трьох причин.

  • Екстремальна неоднорідність – сенсори суттєво відрізняються за типом і форматом: від камер високої роздільної здатності до вібраційних метрів з низькою пропускною здатністю. Універсальна модель важко пристосувати до таких різнорідних вхідних даних.
  • Переривчаста зв'язність – Wi-Fi на заводах може працювати нестабільно. Передача повних оновлень моделі через ненадійне з'єднання гальмує процес навчання.
  • Проблема маркування – оператори рідко мають чіткі мітки для кожного окремого предмета. Вони знають лише те, чи була успішно вилучена ціла партія матеріалу, що є занадто грубим сигналом, який розмиває картину навчання.

Новий підхід розділяє екосистему на три логічні групи клієнтів. Клієнти-OEM, орієнтовані на дизайн, тренують енкодери на даних креслень, тоді як клієнти-переробники тренують енкодери на зашумлених потоках даних із сенсорів, зібраних безпосередньо в цехах. Агрегатор у хмарі узгоджує два простори енкодерів у спільне представлення для подальшої класифікації.

Щоб контролювати пропускну здатність, система використовує розрідження градієнтів за методом top-k. Кожен клієнт передає лише 1% градієнтів, які він вважає найбільш важливими. Буфер помилок зберігає відкинуті дрібні оновлення локально та повторно вводить їх пізніше, гарантуючи, що модель не забуде тонкі закономірності.

Перетворення вагань робота на високоякісні мітки

Саме по собі федеративне навчання не може вирішити проблему дефіциту міток. Дослідники додали агентів з фізичним втіленням — роботів, оснащених тими самими сенсорами, що використовуються для сортування. Коли робот не впевнений щодо шматка металу, він подає сигнал людині-оператору. Оператор надає правильну мітку металу, яка повертається в локальний цикл навчання.

Цей цикл зворотного зв'язку перетворює момент невпевненості на точну точку даних, суттєво покращуючи співвідношення сигналу до шуму в навчальному наборі. Оскільки мітка надається людиною, яка бачить реальний предмет, модель навчається на еталонних даних (ground-truth), а не на зашумлених результатах партійного типу «вилучено чи втрачено».

Результати та наслідки

У контрольованих випробуваннях комбінована система підвищила точність сортування міді з 60% до 94% лише після трьох федеративних раундів. Такий стрибок став можливим попри екстремальну неоднорідність вхідних потоків та передачу лише 1% даних градієнтів. Буфер помилок гарантував, що модель все одно враховує деталізовані оновлення, які були пропущені спочатку.

Результат свідчить про те, що високоточна переробка не потребує монолітної, централізовано навченої моделі ШІ. Розподілене навчання дозволяє поважати суверенітет даних кожного стейкхолдера, водночас створюючи модель, достатньо потужну для роботи в умовах реальної мінливості.

Потенційні недоліки та контраргументи

Метод покладається на втручання людини щоразу, коли робот виявляє невпевненість.

За чим стежити далі

Якщо цей підхід витримає подальші стрес-тести, він може стати основою інфраструктури переробки відходів, що забезпечує конфіденційність та ефективність використання даних — системи, де кожен учасник отримує вигоду від спільного інтелекту, не розкриваючи власних секретів.

Висновок: Розріджене федеративне навчання, підсилене людськими мітками, що генеруються за допомогою роботів, перетворює фрагментовані дані циклічного виробництва на потужну та безпечну з точки зору конфіденційності модель, яка кардинально покращує сортування електронних відходів. Ця технологія доводить, що саме розподілений ШІ, а не масивні централізовані моделі, може стати справжнім рушієм створення більш екологічного та ефективного ланцюга постачання електроніки.