تواجه المصانع الكيميائية تحديات كبيرة في تحسين العمليات بسبب القيود الصارمة المتعلقة بسرية البيانات. ولكن مع ظهور مفهوم التعلم الفيدرالي (Federated Learning)، أصبح بالإمكان تطوير نماذج عملية متطورة دون الحاجة إلى تبادل البيانات الخام.

في دراسة جديدة، تم تقديم إطار مبتكر للتعلم الفيدرالي المحمي بالخصوصية لتحسين العمليات الكيميائية عبر مجموعة من المصانع الجغرافية المتباعدة. حيث يقوم كل مصنع بتدريب نموذج يعتمد على الشبكات العصبية باستخدام بياناته الخاصة المأخوذة من أجهزة الاستشعار، بينما يتم نقل معلمات النموذج فقط إلى خادم مركزي عبر آليات تجميع آمنة.

يسمح هذا التصميم بتبادل المعرفة بين المصانع مع الحفاظ على سرية البيانات وسريتها الصناعية. تم اختبار هذا الإطار من خلال بيانات من ثلاثة مصانع كيميائية مستقلة تعمل في ظروف متنوعة. وكانت النتائج مثيرة؛ حيث أظهرت تسارعًا كبيرًا في تحسن نموذج التعلم الفيدرالي، حيث انخفض متوسط الخطأ التربيعي العالمي من حوالي 2369 إلى أقل من 50 خلال أول خمس جولات من التواصل، واستقر عند حوالي 35 بعد 40 جولة.

عند مقارنة التدريب المحلي فقط، أثبت الإطار الفيدرالي المقترح تحسنًا كبيرًا في دقة التنبؤ عبر جميع المصانع، محققًا أداءً مشابهًا للتدريب المركزي. هذه النتائج توضح أن التعلم الفيدرالي يعد حلاً فعالًا وقابلًا للتطوير للتحليلات الصناعية التعاونية، مما يمكّن من إنشاء نماذج تنبؤية وتحسين العمليات دون المساس بخصوصية البيانات.