A Novel Approach for Conducting Asynchronous Federated Learning with Blockchain Integration

في الاقتصاد الرقمي الحديث، تُحبس كميات هائلة من المعلومات القيمة في صوامع منفصلة. فالبنك يعرف عادات الإنفاق الخاصة بك، والمستشفى يعرف تاريخك الطبي، وتاجر التجزئة يعرف تفضيلات التسوق لديك، ولكن لا يمكن لأي من هذه المؤسسات مشاركة بياناتها الخام قانونياً أو بأمان مع بعضها البعض. هذا التجزؤ يمنعهم من بناء النماذج القوية والشاملة اللازمة لحل المشكلات المعقدة مثل التنبؤ بالتعثر في سداد القروض أو اكتشاف الاحتيال. وللتغلب على ذلك، طور العلماء طريقة تسمى "التعلم الاتحادي" (Federated Learning). وبدلاً من جمع كل البيانات في مكان مركزي واحد، يسمح هذا النهج للمؤسسات المختلفة بتدريب نموذج ذكاء اصطناعي مشترك مع الحفاظ على بياناتها الخاصة على خوادمها المحلية. إنهم ببساطة يتبادلون تحديثات رياضية صغيرة حول ما تعلمه النموذج، بدلاً من تبادل البيانات نفسها. ومع ذلك، لا يزال هناك عقبة كبيرة: معظم الأنظمة الحالية تتطلب من جميع المشاركين العمل في تناغم تام. فإذا كانت إحدى المؤسسات تمتلك حاسوباً بطيئاً أو اتصالاً ضعيفاً بالإنترنت، يجب على المجموعة بأكملها الانتظار حتى ينتهي أبطأ عضو لديهم قبل المضي قدماً، مما يهدر الوقت والقوة الحوسبية.

تقترح دراسة جديدة أجراها سونغ-جونغ هيو من جامعة تاكمينغ للعلوم والتكنولوجيا حلاً لهذه العقبة من خلال تقديم نظام يسمح للمشاركين بالعمل بالوتيرة التي تناسبهم دون انتظار الآخرين. فقد طور الباحث مجموعة من الخوارزميات التي تمكن هذا التعاون غير المتزامن، مما يعني أن النظام يمكنه الاستمرار في المضي قدماً حتى لو تأخر بعض الشركاء. ولضمان لعب الجميع بنزاهة وبقاء العملية آمنة، تدمج الدراسة تقنية "البلوكشين" (Blockchain)، وهي نفس النظام الأساسي المستخدم في العملات الرقمية، لإنشاء سجل شفاف وغير قابل للتلاعب بالمساهمات. ومن خلال الجمع بين هذين الابتكارين، تثبت الدراسة طريقة تتيح لأطراف متعددة بناء نماذج أفضل معاً بشكل أسرع وأكثر أماناً من أي وقت مضى، دون الحاجة أبداً إلى الكشف عن معلوماتهم الخاصة والحساسة.

يتناول جوهر هذا البحث نقطة ضعف محددة في كيفية عمل التعلم الاتحادي حالياً. في الإعدادات التقليدية، يعمل النظام مثل سباق التتابع حيث يجب على كل عداء الانتظار عند خط البداية حتى ينتهي أبطأ زميل له قبل بدء المرحلة التالية. هذا النهج "المتزامن" غير فعال لأن الحواسيب الأسرع تظل خاملة أثناء انتظار انتهاء الحواسيب الأبطأ من حساباتها. يقدم عمل "هيو" نهجاً "غير متزامن"، حيث لا يتوقف النظام لأجل أحد. بدلاً من ذلك، يرسل المشاركون تحديثاتهم بمجرد جاهزيتهم، ويقوم النظام المركزي بدمجها فوراً. وهذا يبقي الشبكة بأكملها تتحرك بسرعة أسرع المساهمين فيها، مما يقلل بشكل كبير من الوقت المطلوب لتدريب النموذج. وتثبت الدراسة رياضياً أن هذه الطريقة تعمل بشكل موثوق وتصل إلى حل صحيح، حتى عندما تكون تأخيرات الاتصال غير متوقعة أو عندما يكون بعض المشاركين أبطأ بكثير من غيرهم.

ولجعل هذا النظام جديراً بالثقة، استبدل الباحث الخادم المركزي التقليدي الذي ينسق عملية التعلم بشبكة بلوكشين لامركزية. في الإعداد القياسي، تدير سلطة مركزية واحدة العملية، مما يخلق نقطة فشل واحدة ويتطلب من المشاركين الثقة في أن هذه السلطة لن تسيء استخدام البيانات. في الإطار الجديد، تتم إدارة التنسيق من خلال شبكة موزعة من الحواسيب التي تتفق جميعها على حالة النموذج من خلال آلية إجماع. وهذا يضمن عدم قدرة أي كيان واحد على التلاعب بالنتائج. علاوة على ذلك، يستخدم النظام "العقود الذكية"، وهي برامج ذاتية التنفيذ على البلوكشين، للتعامل تلقائياً مع المكافآت. فعندما يساهم مشارك بتحديث عالي الجودة يحسن النموذج، يقوم العقد الذكي بالتحقق من الجودة وتوزيع المكافأة تلقائياً. وهذا يخلق هيكل حوافز عادلاً حيث يتم تحفيز المشاركين لتقديم أفضل أعمالهم، بدلاً من محاولة تقديم بيانات غير دقيقة أو القيام بالحد الأدنى المطلوب.

اختبر الباحث هذه الخوارزميات الجديدة باستخدام بيانات مالية حقيقية، وتحديداً مجموعات البيانات التي تحتوي على معلومات حول استخدام بطاقات الائتمان والتعثر في سداد القروض. حاكت التجارب سيناريو حيث تحاول ثلاث شركات مختلفة، تمتلك كل منها أجزاء مختلفة من المعلومات حول نفس العملاء، بناء نموذج واحد للتنبؤ بمن قد يتعثر في سداد القرض. وأظهرت النتائج أن الطريقة غير المتزامنة كانت أسرع باستمرار من الطريقة المتزامنة التقليدية. وفي بعض الحالات، كان النهج الجديد أسرع بمرتين من النهج التقليدي، حيث وصل إلى نفس مستوى الدقة في وقت أقل بكثير. كما وجدت الدراسة أن النظام ظل قوياً حتى عندما كان أحد المشاركين أبطأ بكثير من الآخرين، وهو موقف كان سيؤدي في النظام التقليدي إلى توقف العمل. وتؤكد الدراسة أن الخوارزميات الجديدة يمكنها التعامل مع البيانات واسعة النطاق التي تضم ملايين المدخلات وآلاف الميزات دون فقدان الكفاءة.

كان الأمن موضوعاً حيوياً آخر في التحقيق. فقد فحصت الدراسة ما إذا كانت الطبيعة غير المتزامنة للنظام أو استخدام البلوكشين قد أدخلا مخاطر جديدة على خصوصية البيانات. وأظهر التحليل أن الطريقة تحمي كلاً من البيانات الخام والنموذج نفسه من إعادة البناء من قبل الجهات الضارة. وخلافاً لبعض الطرق الأخرى التي قد تسرب المعلومات من خلال "التدرجات" (Gradients) التي تشاركها، فإن هذا النهج ينقل فقط نواتج محلية محددة مصممة رياضياً لتكون مقاومة لهجمات الاستنتاج. ويضيف مكون البلوكشين طبقة إضافية من الحماية من خلال إنشاء سجل غير قابل للتغيير لجميع المعاملات، مما يجعل من المستحيل تعديل السجلات الماضية أو إخفاء السلوك الضار. وهذا يضمن أنه حتى لو حاول مشارك تقديم بيانات فاسدة لتخريب النموذج، يمكن للنظام اكتشافها ورفضها قبل أن تؤثر على النتيجة النهائية.

تتجاوز آثار هذا العمل مجرد السرعة. فمن خلال إزالة شرط وجود منسق مركزي وإدخال نظام مكافآت آلي وعادل، تقدم الدراسة مخططاً لكيفية تشجيع المؤسسات التي تتردد حالياً في التعاون على الانضمام معاً. يسمح النظام بوجود سوق يمكن فيه تعويض مالكي البيانات مقابل القيمة التي يجلبونها للنموذج الجماعي. وهذا أمر مهم بشكل خاص في مجالات مثل التمويل والرعاية الصحية، حيث تكون قوانين خصوصية البيانات صارمة والثقة بين المؤسسات غالً ما تكون منخفضة. وتشير الدراسة إلى أنه باستخدام البلوكشين للتعامل مع التنسيق والحوافز، يصبح من الممكن بناء بيئة تعاونية يستفيد منها الجميع، ولا يضطر فيها أحد إلى المساومة على أمنه.

في التحليل النهائي، تقدم الدراسة طريقة عملية وسليمة نظرياً لإجراء تعلم تعاوني واسع النطاق في عالم تتجزأ فيه البيانات وتندر فيه الثقة. إنها تثبت أنه من الممكن تحقيق كفاءة عالية دون التضحية بالخصوصية أو الأمن. إن الخوارزميات التي تم تطويرها في هذا البحث ليست مجرد مفاهيم نظرية؛ فقد تم اختبارها بصرامة وأثبتت تفوقها على الأساليب الموجودة في سيناريوهات العالم الحقيقي. ومن خلال السماح للمشاركين بالعمل بشكل مستقل مع المساهمة في هدف مشترك، وباستخدام البلوكشين لضمان العدالة والشفافية، يقدم هذا النهج مساراً قابلاً للتطبيق للجيل القادم من الذكاء الاصطناعي الذي يحافظ على الخصوصية. ويؤكد العمل أن مستقبل التعلم الآلي التعاوني يكمن في الأنظمة المرنة، واللامركزية، والقادرة على التكيف مع الظروف المتنوعة وغير المتكافئة في العالم الحقيقي.