Zum maschinellen Lernen benötigt Google möglichst relevante, also echte Daten. Deshalb wird das Modell für die Android-Tastatur Gboard einfach auf Smartphones angelernt und später auf dem Server zusammengesetzt – eine radikale Abkehr von bisherigen Herangehensweisen.

Die intelligente Android-Tastatur-App Gboard von Google bietet ihren Nutzern einige Vorteile, die auf den Fähigkeiten von maschinellem Lernen beruhen: etwa eine Fehlererkennung, eine bessere Slide-Eingabe oder kontextsensitive Vorschläge der eingebauten Suchfunktion. In seinem Forschungsblog verrät Google nun Details zu der Vorgehensweise des Lernens, die von bisherigen Methoden deutlich abweicht.

Bisher werden die Modelle beim maschinellem Lernen meist auf Servern mit Hilfe eines einzigen riesigen Datensatzes angelernt und anschließend auf den Geräten, wie hier den Smartphones, einfach genutzt. Wie Google berichtet, weicht das Forschungsteam mit dem Ansatz des Federated Learnings für die Gboard-App davon aber deutlich ab und trainiert das Modell direkt auf den Smartphones mit der App.

Das hat vor allem den Vorteil, dass die Daten der Nutzer nicht mehr an Google übertragen werden müssen. Das ist aber nicht nur im Sinne der Privatsphäre der Nutzer relevant, sondern reduziert natürlich auch den Umfang an Daten, die transferiert werden müssen, und spart Google vermutlich noch etwas Rechenleistung.

Das eigentliche Modell der Gboard-App entsteht dabei geräteübergreifend. So werden laut Aussage von Google die lokalen erlernten Veränderungen des Modells als eine Art Update zurück an Google geschickt. Diese Updates werden wiederum gesammelt und verglichen, um wiederum das von allen Smartphones gemeinsam genutzte Modell zu aktualisieren.

Zum Trainieren des Modells wird das von Google selbst initiierte Framework Tensorflow genutzt, das speziell für den Einsatzzweck auf dem Smartphone angepasst worden ist.(Quelle:golem.de)