Hacker News · 24.06.2026 ·Инфраструктура для агентов

Flower Labs развивает инфраструктуру для федеративного обучения ИИ

Компания Flower Labs представила обновленную концепцию развития федеративного обучения, направленную на переход от изолированных моделей к распределенным коллаборативным сетям. Платформа позволяет обучать ИИ на данных, распределенных между тысячами устройств, без необходимости их централизации. Это решение критически важно для создания масштабируемых агентных систем, требующих обучения на приватных пользовательских данных в реальном времени.

Традиционный подход к обучению моделей требует сбора огромных массивов данных в едином облачном хранилище, что создает риски безопасности и сложности при масштабировании. Flower предлагает фреймворк, который переносит процесс вычислений непосредственно к источнику данных. Это позволяет компаниям строить сложные агентные архитектуры, сохраняя конфиденциальность информации и снижая затраты на передачу данных между серверами.

Использование распределенных сетей открывает новые возможности для обучения моделей на гетерогенных устройствах, включая мобильные телефоны и периферийное оборудование. Такой подход обеспечивает более высокую адаптивность агентов к специфическим пользовательским сценариям, так как модель обучается на реальных паттернах поведения, не нарушая при этом политику приватности и требования регуляторов к хранению данных.

Ключевые факты

Flower Labs специализируется на создании инфраструктуры для федеративного обучения (Federated Learning).
Платформа поддерживает работу с широким спектром аппаратного обеспечения: от серверов до мобильных устройств.
Архитектура позволяет обучать модели на децентрализованных данных без их передачи на центральный сервер.
Решение ориентировано на создание коллаборативных сетей, где модели улучшаются за счет обмена весами, а не сырыми данными.
Технология снижает нагрузку на сетевую инфраструктуру и минимизирует риски утечек при обработке чувствительной информации.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение FedReLa: новый метод борьбы с дисбалансом данных в федеративном обучении Исследователи представили FedReLa — алгоритм для федеративного обучения, решающий проблему дисбаланса классов при распределенных вычислениях. Метод использует стратегию переразметки данных (re-labeling) для компенсации различий между локальными распределениями на клиентских устройствах и глобальным набором данных. Это позволяет значительно повысить точность агрегированных моделей в условиях неоднородности данных и отсутствия доступа к централизованной статистике. NVIDIA Technical Blog · Обучение и дообучение NVIDIA FLARE Auto-FL ускоряет исследования федеративного обучения с помощью ИИ-агентов NVIDIA представила новую систему Auto-FL в рамках своего фреймворка Federated Learning and Analytics Research (FLARE). Эта система использует ИИ-агентов для автоматизации и ускорения исследований в области федеративного обучения (FL). Федеративное обучение позволяет обучать модели на распределённых данных без их централизации, что особенно важно для задач, связанных с конфиденциальностью и безопасностью данных. arXiv · Машинное обучение Новый метод обучения ИИ в распределённых системах Исследователи представили новый подход к обучению машинных моделей в распределённых системах, учитывающий изменения данных во времени и пространстве. Метод C2FL (Clustered Continual Federated Learning) позволяет узлам системы обучаться на локальных данных, сохраняя приватность и адаптируясь к изменениям в окружающей среде. GitHub · Инфраструктура для агентов Экосистема для обучения ИИ-агентов через итеративные рабочие процессы Проект Forsy-AI представил фреймворк Agent Apprenticeship, ориентированный на создание среды, в которой ИИ-агенты совершенствуют свои навыки в процессе выполнения реальных задач. Основная идея заключается в использовании итеративных циклов рабочих процессов, где система не просто выполняет поручение, а анализирует результат для последующей корректировки действий. Hacker News · Инфраструктура для агентов Cloudflare развивает облачную инфраструктуру для ИИ-агентов Компания Cloudflare активно формирует технологический стек, предназначенный для запуска и масштабирования автономных ИИ-агентов. В основе стратегии лежит использование глобальной сети серверов для минимизации задержек при выполнении агентных задач. Инфраструктура опирается на возможности бессерверных вычислений Workers, которые позволяют исполнять код моделей в непосредственной близости к пользователю, обеспечивая высокую скорость отклика. arXiv · Машинное обучение Модельно-ориентированный подход к созданию сред для обучения с подкреплением Исследователи представили новый подход к разработке виртуальных сред, предназначенных для обучения агентов с подкреплением (RL). Традиционно создание таких систем требует значительных затрат времени, так как для успешной сходимости алгоритмов агентам необходимо тренироваться в множестве схожих, но вариативных условий. Авторы работы предлагают использовать модельно-ориентированную методологию, которая позволяет автоматизировать генерацию семейств сред, сохраняя при этом их функциональную близость. arXiv · Инфраструктура для агентов FoMoE: новый подход к обучению MoE-моделей через федерацию экспертов Исследователи представили архитектуру FoMoE (Federation of Mixture-of-Experts), которая решает проблему жесткой привязки параметров модели к вычислительной инфраструктуре. Традиционные методы обучения крупных языковых моделей требуют использования массивов тесно связанных ускорителей, что ограничивает масштабируемость. Новый подход позволяет распределять экспертов в составе MoE-архитектуры между независимыми вычислительными узлами, снимая барьер «полной репликации» весов модели на каждом устройстве. Hacker News · Инфраструктура для агентов Lamini представила платформу для создания специализированных ИИ-агентов Компания Lamini открыла доступ к инструментам для разработки узкоспециализированных ИИ-агентов, ориентированных на достижение высокой точности выполнения задач. Платформа сфокусирована на решении проблемы галлюцинаций и ошибок в сложных бизнес-процессах, где стандартные языковые модели общего назначения могут быть недостаточно надежны. Разработчики предлагают подход, при котором агент обучается на специфических данных компании, что позволяет достичь точности ответов свыше 90%. Hacker News · Инференс и железо Project Huginn: распределенное обучение моделей на простаивающих GPU Проект Huginn предлагает решение для оптимизации затрат на обучение и дообучение нейросетей за счет использования вычислительных мощностей, которые простаивают в распределенных сетях. Платформа позволяет объединять разрозненные графические процессоры в единый кластер, что значительно снижает стоимость аренды облачной инфраструктуры для интенсивных вычислительных задач. arXiv · Машинное обучение Fed-CausalDiff: новый подход к федеративному обучению и причинно-следственному выводу Исследователи представили фреймворк Fed-CausalDiff, объединяющий методы федеративного обучения с принципами причинно-следственного вывода (causal inference). Традиционные подходы к распределенному обучению моделей фокусируются на анализе исторических данных, что ограничивает их способность предсказывать последствия действий в динамических средах. Новый метод решает эту проблему, позволяя моделям оценивать влияние различных стратегий без необходимости централизации конфиденциальной информации.

← Все материалы