Federated Learning в iGaming

1) Ինչու է FL-ն iGaming-ում

Ֆեդեգրաֆիկ ուսուցումը (FL) թույլ է տալիս մի քանի մասնակիցների (բրենդներ, տարածաշրջաններ, պրովայդերներ, PSA) սովորել ընդհանուր մոդել առանց հում տվյալների փոխանակման։ Սա քննադատական է այնտեղ, որտեղ կան PII/ֆինանսներ, հիբրիդային սահմանափակումներ և լայն ավստրիական պարիմետր։

Բիզնես արժեքը

Մոդելների որակի բարելավումը հոլդինգի/գործընկերների ընդհանուր ինտելեկտի պատճառով։

Իրավաբանական ռիսկերի նվազումը և անանուն/փոխանակման ծախսերը։

Արագ նոր տարածաշրջաններին առանց տվյալների պատմությունների։

Տիպիկ առաջադրանքներ ՝ Responsible Gaming (RG), հակաֆրոդ/charjbey, AML-patterns, KYC-veriation (thin-2019), կերպարացում/CRM, բոտային դետեկտոր/բուստինգի։

2) FL ճարտարապետությունը

Cross-silo (կազմակերպությունների/բրենդների/տարածաշրջանների միջև) 'մի քիչ խելացի մասնակիցներ, կայուն կապ, երկար նստաշրջաններ։ Հարմար է հոլդինգների/PSA/պրովայդերների համար։

Cross-device (շատ խաղացողների սարքեր) միլիոնավոր «բարակ» հաճախորդներ, անկայուն կապ։ IGaming-ի համար օգտագործվում է ավելի քիչ (chats/հաճախորդներ), բայց հնարավոր է on-device ազդանշանների համար։

Նվագախմբի տրամաբանությունը

Կենտրոնացված լուծումը (server-aggregram) հիմնական տարբերակն է։

Հիերարխիկ (տարածաշրջանային ագրեգատորները կենտրոնական) - նվազեցնում է կայունությունը/լատենտությունը։

Peer-to-peer/secure agregation mesh-ը ավելի բարդ է, բայց ավելի բարձր է «zero-trust» հատկությունները։

3) Գաղտնիության և անվտանգության պաշտպանությունը

Secure Aggregation: սերվերը տեսնում է միայն գումարը/միջին գրադիենտները, ոչ թե կոնկրետ մասնակիցի նորարարությունը։

Դիֆերենցիալ գաղտնիությունը (DP) 'հաճախորդի կողմում աղմուկը և/կամ ագրեգացիայի մեջ; առաջնորդում ենք բյուջեով։

Գաղտնի հաշվարկները (TEE) 'ագրեգացիան և/կամ infess մեկուսացված enclaves-ում։

MPC/PSI 'անվտանգ հատումներ/հաշվարկներ PSA/պրովայդերների հետ։

Հասանելիության և լոգիստիկայի քաղաքականությունները 'հումքի ֆիչի/գրադիենտների սերիզացման արգելքը։ միայն ագրեգատներն ու մետատվյալները։

4) FL-ի տեխնիկական մարտահրավերները և ինչպես լուծել դրանք։

Non-IID-ը և անհավասարակշռությունը. Օրինագծերի տվյալները տարբերվում են (երկրներ, վճարման մեթոդներ, լենդերներ)։

Օգտագործեք գլոբալ մոդելի (fine-tuning/adapter շերտեր), ստրատիֆիկացված մարտեր, կշռված ագրեգացիա (որակի/չափի)։

Heterogeneous hard.ru/ցանցը 'տարբեր հզորությամբ և հասանելի մասնակիցներ։

No. մասնակի մասնակցություն (partial participation), ասինխրոն ագրեգացիա, հարմարվողական չափեր։

Սպիտակուցիա և կոմպոզիցիաներ 'մեծ քաշներ/գրադիենտներ։

07 Քվանտացիա, sparsif.ru, sketch կոդավորում; ավելի հազվադեպ '«դելտ» փոխանցումը ամբողջական քաշի փոխարեն։

Թունավորումը/բեքդորները (poisoning) 'չարամիտ մասնակիցը փչացնում է մոդելը։

Nobaster-ի ագրեգատորները (Systian/Krum/trimmed mean), նորարարությունների անոմալիաների դետեկտորները, «honeypot» առաջադրանքները և թեստային ցանցերը, հեղինակության քաշը։

Դրեյֆը և ռեալիզացիան 'վարքագծի/կարգավորողների փոփոխությունները։

Շարունակական ուսուցում, պարբերական re-init, champion-challenger, ML-observability հատվածում։

5) Հիմնական դեպքերի համար

5. 1 RG սկորինգը (պատասխանատու խաղ)

Նպատակը 'Equal Opportunity (բաց չթողնել ռիզիվ խաղացողները ցանկացած երկրում/հատվածում)։

Մոտեցում ՝ cross-silo FL բրենդների/ռուսական թիմերի միջև։ Secure Agg + DP; շեմերի տեղական տրամաչափությունը։

Overrides: Ինքնազարգացման դրոշները/լիմիտները գերակշռում են մոդելի վրա։

5. 2 Անտիֆրոդ/վճարումներ/chargeback

Նպատակը 'Equalized Odds (FPR), նոր ֆրոդի դիմադրությունը։

Մոտեցումը 'համատեղ FL հոլդինգի և PSA-ի վիրահատների միջև։ TEE ագրեգատոր; MPC-ի համար վճարելիս։

Պաշտպանություն 'ռոբաստիկ ագրեգացիա + աննորմալ պարամետրերի մանրամասն։

5. 3 AML/KYC

Նպատակը 'false-reject կրճատումը thin-2019-ի համար առանց զգայունության կորստի։

Մոտեցում ՝ FL փաստաթղթերի նշանների վրա/վճարման արտոնագրեր; PSI-ի ցուցակների համար 2019/RER; DP ագրեգատների վրա։

5. 4 Կերպարացում/CRM

Նպատակը 'LTV/պահել առանց էթիկայի խախտման և RG-ի։

Մոտեցում 'ՖԼ + նախընտրությունների գլոբալ մոդել, շերտերի տեղական հարմարեցում։ բացառություն high-risk «ագրեսիվ» օֆերներից; www.ainability կոշիկների համար։

6) Ճարտարապետական սխեմա (հանրաքվե)

1. Հաճախորդների սիլոսները 'տեղական ֆիչիպլինները (PII-ը առանձնացված է), ռուսական կոմպոզիցիաների (E epochs) դասընթացը։

2. Պաշտպանությունը 'DP-clipping/աղմուկ, ջրանցքների կոդավորումը, Secure Agg բանալիները։

3. Ագրեգատորը 'TEE հանգույցը ռոբոտային ագրեգատորի, ավանդների թրքինգի, անոմալիաների վերահսկման հետ։

4. Գրանցումներ ՝ Model Registry (վարկածներ, 108/105, շեմեր), Feature Registry (նշանների քաղաքականություն)։

5. CI/CD ML: fairness-/privacy-գեյթ, թեստեր poisoning, տրամաչափություն և shadow-progons։

6. Ինֆիս 'կենտրոնացված կամ co-inference գործընկերների հետ (MPC/TEE), ամսագրեր առանց PII։

7) MLOps-ը FL-ի համար

Policy-as-Code: սպիտակ/մոխրագույն/սև ցուցակները fich, նախկին ատրիբուտների արգելքը։ ստուգում PR փուլում։

Pipeline hooks: Թեստը խմբերի/տրամաչափման, EO/EOp հատվածների, անոմալիաների հալեցման վրա։

Տարբերակումը 'մոդել/տվյալներ/կոդ + 2019-2019; Մոդելների քարտերը Fairness & Privacy բաժիններով։

Կատալոգը և գծերը 'կապերը «կայծակնային ագրեգատորը մոդելի տարբերակն է», «ով և երբ նա ուսուցանում էր», SLO-ն թարմ է։

Observability: latency FL-, մասնակիցների մասը, չափսը/միավորման սխալը, Attack-AUC 38rand.ru։

8) Metriki և SLO

Որակը ՝ AUC/PR, տրամաչափը (Brier), uplift (CRM)։

Արդարություն 'EO/EOp-դելտա երկրներով/108/սարքերով։

Գաղտնիությունը ՝ 71-usage, re-id հավանականությունը, Attack-AUC (membership/inversion) 240։ 5.

Շվեյցարիա ՝ N մասնակիցների մասնակցությունը ռուսական շեմին, հաջողակ փուլերի մասը, ժամանակը։

Անվտանգությունը 'մերժված աննորմալ հիվանդությունների մի մասը, poisoning = 0։

Բիզնեսը 'chargeback/froda նվազեցումը, RG-ի բարելավումը, պահման աճը առանց դիսպանսերի աճի։

9) Ձևանմուշները (պատրաստ են օգտագործման համար)

9. 1 FL նախագծի քարտը

Առաջադրանք/տիրույթ: (RG/AML/վճարումներ/CRM)

Տեղաբանություն ՝ cross-silo/cross-device, ագրեգատորների հիերարխիա

Պաշտպանություն ՝ Secure Agg, DP (108/108), TEE/MPC, լոգարանների քաղաքականությունը

Մասնակիցները 'սիլոսների ցանկը, սեփականատերերը, վստահելի տարածքը

Metriki: Որակը, fairness, գաղտնիությունը, ռուսական, բիզնես-KPI

Ռիսկեր/միտիգացիա ՝ poisoning, non-IID, dreaf, իրավասություն

Օրինագծերի ռեժիմը 'shadow www.rollout, հոսանքների հաճախությունը

9. 2 FL-chek թուղթ սկսելուց առաջ

• Տվյալների պայմանագրերը և ֆիչի քաղաքականությունը համաձայնեցված են
• Secure Aggregation-ը և ալիքների կոդավորումը վճռական են
• DP պարամետրերը և պարամետրերը հետևյալն են
• Ռոբաստիկ ագրեգացիան և անոմալիայի մանկությունը ներառված են
• Fairness-Press/EOR/EO և խմբի տրամաչափը նշված են
• Shadow-UC, Attack-AUC www.rand.ru
• Պլանավորումը (poisoning/privacy) և rollback պատրաստ է

9. 3 Սիլոսի մասնակցության քաղաքականությունը (հատված)

Նվազագույն ծավալը և տվյալների որակը մասնակցելու համար

Պարտադիր տեղական ստուգումներ (DQ, տրամաչափություն) մինչև փոխանցման ուղարկումը

Թունավորման համար սանկցիաները 'բացառություն/քաշի նվազում/աուդիտ

Իրավունքների և լոգարանների խանդավառություն 'պարբերականություն և պատասխանատու

10) Իրականացման ճանապարհային քարտեզը

0-30 օր (MVP)

1. Ընտրել 1 գերակայական խնդիր (օրինակ ՝ RG կամ հակաֆրոդ)։

2. Որոշել 3-5 սիլոսներ, ստորագրել ֆիչի քաղաքականությունը և մասնակցությունը։

3. Տեղադրեք ագրեգատորը (TEE), միացրեք Secure Agg-ը և հիմնական DP-ը։

4. Տեղադրել CI գեյտերը 'fairness, privacy, poisoning թեստեր։

5. FL-ի 5-10 փուլերը shadow ռեժիմում, համեմատել կենտրոնացված հիմքի հետ։

30-90 օր

1. Ռոբաստային ագրեգատորները + անոմալիայի մանկապարտեզը, տեղական շերտերի կերպարը։

2. Նվազեցնել միգրանտները (քվանտացիա/դելտա), ներդնել մասնակի մասնակցություն։

3. Կանարեյկան վաճառում է 5-10 տոկոսով ռուսական, SLO/112-usage զեկույցները։

4. Փաստաթղթերը 'FL նախագծի քարտ, մրցույթի կանոնակարգ, թիմերի ուսուցում։

3-6 ամիս

1. Նոր սիլոսների/տարածքների ընդլայնումը, հիերարխիկ միավորումը։

2. PSI/MPC-ի համար PSA/vendors-ի հետ, մասնավոր infeps-ի համար։

3. Միակ FL-observability-ը, fairness/privacy աուդիտները։

4. Զանգվածային rollout, SLO և high-impact խնդիրների ամբողջական ծածկումը։

11) Anti-patterna

FL-ն առանց Secure Aggregation/DP-ը «արտահոսք է գրադիենտների միջոցով»։

Անտեսել non-IID-ը 'մեկ շեմն/քաղաքականությունը բոլոր օրինագծերի համար։

Ռոբաստիկ ագրեգացիայի և poisoning մոնիտորինգի բացակայությունը։

Logs PII/fich-դամպներ ագրեգատորի կողմում։

«Մենք սովորեցինք և մոռացանք» 'առանց shadow/champion-challenger և խանդի։

12) Կապը հարևան պրակտիկայի հետ

Governations, Տվյալների էթիկան, գաղտնի ML, ծագումը և տվյալների ուղին, Անհամապատասխանության նվազումը, Ռուսական մոդելները, DSAR/Privacy-ը, ապահովում են ֆիչի կանոնները, թափանցիկությունը, մետրերը և կառավարվող օրինագծերը։

Արդյունքը

Federated Learning-ը iGaming էկոհամակարգերին տալիս է համատեղ ինտելեկտը առանց հում տվյալների փոխանակման։ Ճիշտ ճարտարապետությամբ (Secure Agg + DP + TEE/MPC), non-IID-ի և poisoning-ի դիմադրությունը, ինչպես նաև MLOps-ի կարգապահությունը դուք կստանաք մոդելներ, որոնք մեծանում են շուկաներով և արտադրանքներով, դիմանում են աուդիտին և բերում կայուն բիզնես արժեք։