Ολοκληρωμένο περιβάλλον προσομοίωσης πειραμάτων ομοσπονδιακής μηχανικής μάθησης

Abstract

Η ραγδαία εξέλιξη του Διαδικτύου των Πραγμάτων (Internet of Things – IoT) έχει οδηγήσει στην εξαιρετικά αυξημένη παραγωγή δεδομένων. Οι ποσότητες των δεδομένων που παράγονται είναι γιγαντιαίες και ο ρυθμός με τον οποίο παράγονται αυξάνεται εκθετικά, οδηγώντας στην εποχή των Μεγάλων Δεδομένων. Πλέον, υπάρχει πληθώρα συσκευών οι οποίες παράγουν τα δικά τους δεδομένα και τα οποία, δυνητικά, μπορούν να αξιοποιηθούν για την εξόρυξη χρήσιμης πληροφορίας και γνώσης. Ωστόσο, ο όγκος των δεδομένων, σε συνδυασμό με άλλους περιορισμούς που πρέπει να λαμβάνονται υπόψη, κυριότερος εξ αυτών είναι η διασφάλιση της ιδιωτικότητας στα δεδομένα, έχουν οδηγήσει στην εύρεση εναλλακτικών μεθόδων για την ανάλυση των δεδομένων και γενικά, για την εφαρμογή τεχνικών Μηχανικής Μάθησης σε αυτά. Η πιο πρόσφατη προσέγγιση που έχει προταθεί για να αντιμετωπίσει τις προαναφερθείσες προκλήσεις είναι η Ομοσπονδιακή Μάθηση. Η Ομοσπονδιακή Μάθηση βασίζεται στην ιδέα της κατανεμημένης επεξεργασίας και ανάλυσης δεδομένων και την δημιουργία μοντέλων Μηχανικής Μάθησης τοπικά στην εκάστοτε συσκευή παραγωγής δεδομένων. Τα προαναφερθέντα επιμέρους μοντέλα, εν συνεχεία, συνδυάζονται σε ένα ενιαίο μοντέλο, χωρίς τη μεταφορά των δεδομένων από τα οποία προέκυψαν τα αντίστοιχα μοντέλα. Με αυτό τον τρόπο η Ομοσπονδιακή Μάθηση διασφαλίζει την ασφάλεια και την αξιοπιστία των δεδομένων, χωρίς να επηρεάζει αρνητικά την αποδοτικότητα και την αποτελεσματικότητα τον αλγορίθμων Μηχανικής Μάθησης, συγκριτικά με αντίστοιχες συμβατικές μεθόδους. Φυσικά, η επιλογή της Ομοσπονδιακής Μάθησης έναντι μιας συμβατικής μεθόδου, θα πρέπει να πραγματοποιείται βάσει διαφορετικών παραγόντων, όπως του εκάστοτε σεναρίου χρήσης και των διαθέσιμων δεδομένων και υπολογιστικών πόρων. Προς αυτή τη κατεύθυνση, η παρούσα διπλωματική εργασία παρέχει, αρχικά, μία αναλυτική ανασκόπηση βιβλιογραφίας αναφορικά με την Ομοσπονδιακή Μάθηση. Εν συνεχεία, προτείνει ένα ολοκληρωμένο περιβάλλον, το οποίο παρέχει στους χρήστες την δυνατότητα εκτέλεσης πειραμάτων με τους αλγορίθμους, τις παραμέτρους και τα σύνολα δεδομένων της αρεσκείας τους και το οποίο οπτικοποιεί τα αποτελέσματα των αντίστοιχων πειραμάτων με κατανοητό τρόπο. Στόχος του συγκεκριμένου περιβάλλοντος είναι, όχι μόνο να λειτουργήσει ως οδηγός για την υιοθέτηση του ομοσπονδιακού τρόπου μάθησης, αλλά και για να συνδράμει στην επιλογή των πιο αποδοτικών αλγορίθμων και των παραμέτρων τους ανάλογα με τα σενάρια χρήσης που ενδιαφέρουν τους εκάστοτε χρήστες.