L’apprentissage fédéré est une technique d’apprentissage automatique distribué qui permet d’entraîner des modèles auprès de plusieurs participants, à savoir des appareils, des organisations ou des centres de données, sans que les données brutes aient à quitter leur emplacement d’origine. Plutôt que de centraliser les données, l’apprentissage fédéré envoie le modèle vers les données, agrège les mises à jour apprises et produit un modèle global amélioré.
Le processus d’apprentissage fédéré fonctionne comme suit : un serveur central distribue un modèle global aux nœuds participants, chaque nœud entraîne le modèle sur ses données locales, les nœuds ne renvoient au serveur que les mises à jour du modèle (gradients ou poids) et non les données brutes, le serveur agrège les mises à jour de tous les nœuds pour améliorer le modèle global, et le cycle se répète jusqu’à la convergence du modèle.
Les principaux avantages pour l’IA d’entreprise comprennent : la préservation de la confidentialité des données (les données sensibles ne quittent jamais leur source), la conformité réglementaire (permet l’entraînement de l’IA sans transferts transfrontaliers de données), la collaboration concurrentielle (les organisations peuvent entraîner conjointement des modèles sans partager de données propriétaires), la réduction du risque de centralisation des données (aucun point unique de compromission) et l’entraînement de l’IA en périphérie (les modèles peuvent apprendre à partir des données présentes sur les appareils mobiles, les capteurs IoT et l’infrastructure en périphérie).
Les difficultés comprennent : la charge de communication (transmettre les mises à jour des modèles sur les réseaux), l’hétérogénéité des données (des distributions de données non uniformes entre les participants), les risques de sécurité (les mises à jour des modèles peuvent divulguer des informations par des attaques par inférence) et la complexité de coordination. Des techniques de renforcement de la confidentialité telles que la confidentialité différentielle et l’agrégation sécurisée sont souvent combinées à l’apprentissage fédéré pour une protection renforcée.