Google Research ha introdotto una nuova libreria software denominata FAX, progettata per agevolare i calcoli su larga scala nell’apprendimento automatico su una varietà di dispositivi, inclusi computer e telefoni. Basata su JAX, una potente libreria per il machine learning ad alte prestazioni, FAX è concepita per semplificare il lavoro con l’apprendimento federato.
FAX sfrutta le capacità di JAX e introduce funzionalità specializzate per gli scenari dell’apprendimento federato. Ciò consente a FAX di adattarsi sia alle applicazioni in data center che cross-device, dove i calcoli possono essere distribuiti su diversi dispositivi.
La libreria offre strumenti per la scrittura e l’ottimizzazione agevole dei calcoli di apprendimento automatico, sfruttando tecniche come la differenziazione automatica (AD) e la compilazione just-in-time (JIT) per migliorare l’efficienza dei programmi di machine learning.
In particolare, FAX è progettato per l’apprendimento federato, un approccio in cui i dispositivi collaborano su attività di machine learning senza condividere direttamente i dati. Questo tipo di apprendimento è cruciale per garantire la privacy dei dati e gestire grandi volumi di informazioni.
Tra le sue principali caratteristiche vi sono la scalabilità, che consente di gestire modelli di grandi dimensioni distribuendo i calcoli su molti dispositivi, e la facilità di programmazione, che semplifica la scrittura e l’ottimizzazione dei programmi di machine learning. Inoltre, FAX include strumenti per la differenziazione automatica, essenziale per l’efficace addestramento dei modelli di machine learning, e può tradurre tali modelli in sistemi di produzione eseguiti su dispositivi mobili.
Sebbene esistano altri framework per l’apprendimento federato, FAX si distingue per la sua combinazione di scalabilità, differenziazione automatica federata e integrazione con i sistemi di produzione. Mentre altri framework possono concentrarsi su uno o due di questi aspetti, FAX mira a soddisfare tutte e tre le esigenze contemporaneamente.
In sintesi, FAX si presenta come uno strumento potente per la creazione e l’implementazione di modelli di machine learning, specialmente in contesti dove la privacy e la scalabilità dei dati sono fattori determinanti