Основната иновация на метода е комбинацията от няколко подхода за обработка на данни. Алгоритъмът използва компресия на информация, отчита сходството на данните между възлите и оптимизира курса на обмен на данни. Както обясни доцент по Мифт, Александър Безенсиков, това ви позволява да намалите времето на обучение в модели без загуба на точност.
Технологията е особено полезна при условия на ограничен капацитет на мрежите. Според директора на Центъра за практически изкуствен интелект Сбербрус Глеб Гусев, методът решава ключовия проблем на разпределеното обучение – високи разходи за комуникация.
Развитието ще намери приложение в различни индустрии – от финанси до телекомуникации и индустрия. Учените отбелязват, че техният подход отваря възможности за създаване на по -ефективни AI алгоритми и ускорява въвеждането на технологии за машинно обучение на практика.
Методът вече е преминал емпирична проверка, която потвърди неговата ефективност.
