Alors que les experts se penchent sur les progrès futurs qui peuvent profiter au monde entier, ils mettent l’accent sur la protection des données. Comme l’intelligence artificielle développe la capacité d’imiter des modèles de comportement, nous serons bientôt en mesure de transférer des données telles que l’imagerie médicale par ultrasons dans le monde entier. Cela permettra aux algorithmes d’apprentissage automatique d’améliorer l’expérience des gens, ainsi que d’apprendre de nouvelles tâches et techniques grâce aux ensembles de données. L’intelligence artificielle génère de meilleurs résultats avec plus de données.
En raison de problèmes de confidentialité, nous ne pouvons toujours pas partager l’imagerie médicale par ultrasons, comme les IRM du cerveau. Nous conservons toujours tous les documents des patients dans les locaux de l’hôpital, mais nous ne partageons aucune donnée pour des raisons de confidentialité. L’apprentissage fédéré est une intelligence artificielle de la prochaine génération, avec de meilleures idées en matière de confidentialité des données. Nous sommes en train de construire un modèle auquel nous pouvons faire confiance pour la rétention des données

Qu’est-ce que l’apprentissage fédéré ?

L’apprentissage fédéré permet de former l’algorithme d’apprentissage automatique et de conserver les données au niveau des appareils. Cela signifie que le FL permet à chaque appareil de conserver ses propres données privées et locales. Cette technologie fournira des solutions d’apprentissage machine répandues, ainsi que des données flexibles et gérées en temps réel.
Vous pouvez utiliser cette technique pour de nombreuses tâches et contextes. Elle comprend des procédures d’apprentissage en ligne et hors ligne pour les algorithmes. En fonction du contexte opérationnel et du type de données, l’algorithme choisira une technique adaptée. La méthode traditionnelle, telle que l’apprentissage centralisé par machine, n’incluait pas ces avantages et comportait un risque élevé pour la protection des données et le transfert de fichiers volumineux.

Avantages de l’apprentissage fédéré

Vous trouverez ci-dessous quelques avantages de l’intégration de l’apprentissage machine fédéré à l’avenir :

1. Un serveur centralisé

Grâce à l’apprentissage fédéré, les téléphones mobiles apprennent du modèle prédictif et conservent les données de formation au lieu de les télécharger et de les stocker sur le serveur central.

2. Avantages en matière de sécurité

Lorsque vos données personnelles sont locales et restent sur votre serveur personnel, vous n’avez plus à vous soucier de la sécurité. Avec l’apprentissage fédéré, toutes les données nécessaires à la formation du modèle restent sous stricte sécurité. Par exemple, des organisations telles que les hôpitaux, dont la confidentialité des données est élevée, peuvent compter sur l’apprentissage fédéré.

3. Prévisions en temps réel

FL offre des prévisions en temps réel sur votre appareil, car les ensembles de données sont disponibles sans qu’il soit nécessaire de recourir à un serveur central. Cela réduit le décalage temporel et vous pouvez accéder aux données sans vous connecter au serveur central. Vous pouvez transmettre et recevoir des données directement par le serveur local.

4. Pas besoin d’Internet

Comme les données existent sur votre appareil, les qualités prédictives du modèle ne nécessitent aucune connexion Internet. Cela signifie que vous pouvez trouver des solutions en un rien de temps, malgré votre situation géographique.

5. Matériel minimum requis

Un modèle d’apprentissage fédéré ne nécessite pas une infrastructure matérielle importante car toutes vos données sont disponibles sur vos appareils mobiles. Ainsi, avec les modèles FL, vous pouvez facilement accéder aux données à partir d’un seul appareil.

Catégories d’apprentissage fédéré

– Apprentissage fédéré horizontal

L’apprentissage fédéré horizontal et l’apprentissage fédéré homogène peuvent relever les défis techniques et pratiques en divisant les données en plusieurs divisions. Le processus fonctionne en introduisant des ensembles de données similaires dans un espace comparable. L’algorithme compare les caractéristiques et les liens en conséquence.

– Apprentissage fédéré vertical

Dans l’apprentissage fédéré vertical, différents ensembles de données partagent des échantillons d’identification similaires mais des espaces de caractéristiques différents. Supposons que deux entreprises différentes se trouvent dans une même ville. L’une est une entreprise de commerce électronique, l’autre une banque. Les ensembles d’utilisateurs contiendront les personnes vivant dans la région pour inclure un grand espace utilisateur, mais différent selon les tâches et les activités. Les ensembles de données se trouveront donc dans des espaces différents.

Apprentissage fédéré vs. apprentissage classique distribué

1. Hétérogénéité des systèmes

Les capacités des appareils peuvent varier en fonction du réseau
la connectivité, le matériel et l’alimentation. En outre, la contrainte liée au système et à la taille du réseau ne se traduira que par un petit nombre d’appareils. Chaque appareil n’est pas fiable et tombe généralement à une itération donnée.

2. Communication coûteuse

Comme de nombreux appareils se connectent dans les réseaux fédérés, le réseau peut être plus lent. Cela peut affecter la communication. En outre, la communication peut être plus coûteuse que dans les méthodes traditionnelles. Pour rationaliser le processus d’apprentissage fédéré, il est essentiel de développer une structure de communication efficace. Pour former le modèle, vous devez envoyer de petits messages au lieu de partager l’ensemble des données par le biais du réseau.

3. Préoccupations relatives à la vie privée

Si l’on considère les mesures de protection de la vie privée des applications d’apprentissage fédérées, les méthodes traditionnelles sont plus sûres. Le principal inconvénient de l’apprentissage fédéré est qu’il comprend des informations à gradient plutôt que des données brutes. En communiquant les mises à jour avec le processus de formation, vous pouvez comprendre si les serveurs centraux et tiers n’utilisent pas les informations sensibles.
Grâce à une nouvelle approche, vous pouvez utiliser des outils tels que la confidentialité différentielle ou le calcul multipartite comme options de sécurité. Grâce à ces outils, vous pouvez améliorer la protection de la vie privée en réduisant l’efficacité du système et les performances du modèle.

Conclusion

Les défis de l’apprentissage fédéré sont similaires aux problèmes classiques, tels que l’apprentissage machine à grande échelle, la confidentialité, l’optimisation distribuée. Les experts proposent de nombreuses solutions pour résoudre les problèmes de communication dans les communautés de l’optimisation, de l’apprentissage machine et du traitement du signal. Il n’est pas possible de traiter les problèmes en utilisant les méthodes précédentes.
Comme la confidentialité est de plus en plus essentielle pour diverses applications d’apprentissage machine, les problèmes futurs peuvent être difficiles à résoudre en raison des données variables. De plus, cela peut être difficile en raison des restrictions imposées à chaque appareil dans les vastes réseaux.
Selon les chercheurs, l’apprentissage fédéré ou l’apprentissage collaboratif peut constituer la prochaine vague d’intelligence artificielle. De nombreux secteurs peuvent bénéficier de l’intelligence artificielle fédérée, tels que le secteur de la santé, les industries et le commerce électronique, pour sécuriser les données après avoir exécuté des modèles de formation pour la distribution.