Loading...
Publication
MASterFLow: Cadeia de sistemas multiagente inteligentes para a criação de pipelines de aprendizagem automática e aprendizagem federada
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.67 MB | Adobe PDF |
Advisor(s)
Abstract(s)
The growing demand for secure, privacy-preserving AI solutions is particularly noticeable in
domains such as renewable energy or healthcare, where sensitive data is involved. As society
continues to transition to AI-driven systems, the need for decentralized machine learning
systems has become increasingly evident. Traditional machine learning methods rely heavily on
centralized datasets, often compromising privacy and security.
Although federated learning addresses these concerns by enabling decentralized model training
while maintaining data privacy, several challenges remain. These include the complexity of
creating, configuring, and managing federated learning models, particularly when dealing with
a large number of clients and different configurations. As federated learning grows in popularity,
there is also a need for more automated solutions that can simplify this process for users with
varying levels of expertise.
This dissertation presents MASterFLow, a novel system that combines multi-agent systems with
large language models to intelligently create machine learning models and federated learning
federations. By integrating LLMs and Retrieval-Augmented Generation, MASterFLow provides
an efficient way to configure, execute, and analyze FL training simulations. The system
streamlines the process by allowing users to interact with intelligent agents that manage
different tasks, such as configuring machine learning models, setting up federated learning
simulations, and analyzing training logs.
MASterFLow is designed with a user-friendly web-based interface that allows users to engage
with the system’s agents and configure simulations according to their needs. Through extensive
case studies, the dissertation benchmarks various multi-agent frameworks and demonstrates
the effectiveness of combining multi-agent systems and large language models to automate the
creation of machine learning and federated learning pipelines. The results indicate that
MASterFLow provides a more accessible, secure, and adaptable alternative to traditional
machine learning methods, offering improved efficiency and usability for AI development.
A crescente e contínua procura por soluções de inteligência artificial seguras e que preservem a privacidade é particularmente notável em domínios, que envolvem dados sensíveis, tais como a energia e a saúde,. À medida que a sociedade continua a transitar para sistemas impulsionados por inteligência artificial, a necessidade de sistemas de aprendizagem automática descentralizados torna-se cada vez mais importante. Métodos tradicionais de aprendizagem automática dependem fortemente de conjuntos de dados centralizados, muitas vezes comprometendo a privacidade e a segurança. Embora a aprendizagem federada1 resolva algumas dessas preocupações, permitindo o treino descentralizado de modelos enquanto mantém a privacidade dos dados, vários desafios permanecem, incluindo a complexidade de criar, configurar e gerir modelos de aprendizagem federada, particularmente aquando da existência de um elevado número de clientes e diferentes configurações. À medida que a aprendizagem federada cresce em popularidade, há também uma necessidade de soluções mais automatizadas que possam simplificar este processo para utilizadores com diferentes níveis de proficiência. Esta dissertação propõe o MASterFLow, um sistema inovador que combina sistemas multiagente de large language models para criar, de forma inteligente, modelos de aprendizagem automática e federações de aprendizagem. Adicionalmente, ao integrar large language models e geração aumentada via recuperação, o MASterFLow oferece uma maneira eficiente de configurar, executar e analisar simulações de treino de aprendizagem federada. O sistema simplifica o processo permitindo que os utilizadores interajam com agentes inteligentes responsáveis por tarefas diferentes, como configurar modelos de aprendizagem automática, configurar simulações de aprendizagem federada e analisar logs de treino. O MASterFLow foi projetado com uma interface web que permite aos utilizadores interagir com os agentes do sistema e configurar simulações de acordo com suas necessidades. Através de estudos de caso extensivos, a dissertação avalia diferentes frameworks multiagente e demonstra a eficácia de combinar sistemas multiagente e large language models para automatizar a criação de pipelines de aprendizagem automática e aprendizagem federada. Os resultados indicam que o MASterFLow oferece uma alternativa mais acessível, segura e adaptável comparada aos métodos tradicionais de aprendizagem automática, proporcionando uma maior eficiência e usabilidade para o desenvolvimento de inteligência artificial.
A crescente e contínua procura por soluções de inteligência artificial seguras e que preservem a privacidade é particularmente notável em domínios, que envolvem dados sensíveis, tais como a energia e a saúde,. À medida que a sociedade continua a transitar para sistemas impulsionados por inteligência artificial, a necessidade de sistemas de aprendizagem automática descentralizados torna-se cada vez mais importante. Métodos tradicionais de aprendizagem automática dependem fortemente de conjuntos de dados centralizados, muitas vezes comprometendo a privacidade e a segurança. Embora a aprendizagem federada1 resolva algumas dessas preocupações, permitindo o treino descentralizado de modelos enquanto mantém a privacidade dos dados, vários desafios permanecem, incluindo a complexidade de criar, configurar e gerir modelos de aprendizagem federada, particularmente aquando da existência de um elevado número de clientes e diferentes configurações. À medida que a aprendizagem federada cresce em popularidade, há também uma necessidade de soluções mais automatizadas que possam simplificar este processo para utilizadores com diferentes níveis de proficiência. Esta dissertação propõe o MASterFLow, um sistema inovador que combina sistemas multiagente de large language models para criar, de forma inteligente, modelos de aprendizagem automática e federações de aprendizagem. Adicionalmente, ao integrar large language models e geração aumentada via recuperação, o MASterFLow oferece uma maneira eficiente de configurar, executar e analisar simulações de treino de aprendizagem federada. O sistema simplifica o processo permitindo que os utilizadores interajam com agentes inteligentes responsáveis por tarefas diferentes, como configurar modelos de aprendizagem automática, configurar simulações de aprendizagem federada e analisar logs de treino. O MASterFLow foi projetado com uma interface web que permite aos utilizadores interagir com os agentes do sistema e configurar simulações de acordo com suas necessidades. Através de estudos de caso extensivos, a dissertação avalia diferentes frameworks multiagente e demonstra a eficácia de combinar sistemas multiagente e large language models para automatizar a criação de pipelines de aprendizagem automática e aprendizagem federada. Os resultados indicam que o MASterFLow oferece uma alternativa mais acessível, segura e adaptável comparada aos métodos tradicionais de aprendizagem automática, proporcionando uma maior eficiência e usabilidade para o desenvolvimento de inteligência artificial.
Description
Keywords
Federated Learning Large Language Models Machine Learning Pipelines Multi-Agent Systems Retrieval-Augmented Generation Aprendizagem federada Pipelines de aprendizagem automática Sistemas multiagentes