NTT ژاپنی راهی برای انجام یادگیری ماشین متناسب با سرورهای چند لبه ارائه داده است.
این شبیه به یک بلاک چین یا یک شبکه عصبی مصنوعی است. به این معنی که در واقع یک الگوریتم اجماع است که در آن گروهی از سرورهای توزیع شده آنچه را که «یاد گرفته اند» برای تولید یک مدل واحد، با یکدیگر به اشتراک می‌گذارند.
هریک از سرورها، داده‌های مستقلی دارند.
بنابراین این بدان معنی است که برنامه یادگیری ماشین NTT در حال اجرا بر روی سرور A می تواند با یک مجموعه داده – مثلا تصاویر – آموزش داده شود، در حالی که سرور B با مجموعه دیگری آموزش داده می‌شود. اما هر دو در مورد نحوه تفسیر داده‌ها به نتیجه می رسند.
این الگوریتم ناهمگام است، بنابراین به همه سرورهایی که همزمان ماژول یادگیری ماشین را اجرا می کنند یا در تماس مداوم با یکدیگر نیستند، اعتماد نمی کند. این می تواند کاربردهای جالبی برای telcos داشته باشد.
NTT در بیانیه ای توضیح داد: “در یادگیری ماشین اخیر، به ویژه یادگیری عمیق، داده‌ها در یک مکان واحد جمع می شوند و یک مدل در یک مکان آموزش می یابد.”
“با این حال ، در دوره IoT ، جایی که همه چیز به شبکه وصل شده است، جمع آوری حجم عظیمی از داده‌ها، روی ابر پیچیده است.”
علاوه بر این ، “تعداد بیشتری از افراد به دلیل مشکلات حریم خصوصی خواستار نگهداری اطلاعات در سرور / دستگاه محلی هستند. مقررات قانونی نیز برای تضمین حریم شخصی داده‌ها، از جمله آیین نامه حفاظت از داده‌های عمومی اتحادیه اروپا (GDPR) وضع شده است”.
البته مزیت تأخیر پایین نیز وجود دارد که با استقرار یک ماژول یادگیری ماشین در لبه شبکه، نزدیکتر به کاربر نهایی بوجود آمده است. NTT گفت که این کشور به تحقیق در مورد آنچه که آن را “یادگیری اجماع در لبه” لقب داده است ، با هدف دستیابی به اهداف تجاری ادامه خواهد یافت.
