Aprendizagem federada

A Aprendizagem Federada (FL) é uma técnica de aprendizagem automática (ML) que permite que os modelos sejam treinados em vários dispositivos descentralizados ou servidores com amostras de dados locais, sem trocar os próprios dados. Esta abordagem aborda questões críticas de privacidade e segurança dos dados, mantendo os dados em bruto no dispositivo do utilizador. Em vez de agrupar os dados num servidor central para o treino do modelo, o FL funciona enviando um modelo global para dispositivos locais. Cada dispositivo treina o modelo com os seus próprios dados, e apenas as actualizações do modelo resultantes - pequenas melhorias específicas - são enviadas de volta para um servidor central para serem agregadas. Este processo colaborativo melhora o modelo global partilhado sem comprometer a informação do utilizador.

Como funciona a aprendizagem federada

O processo de aprendizagem federada envolve normalmente um ciclo repetido de etapas orquestradas por um servidor central de coordenação:

1. Distribuição de modelos: O servidor central inicializa um modelo global de IA, como uma rede neural, e distribui-o a uma seleção de dispositivos clientes (por exemplo, telemóveis ou computadores hospitalares).
2. Treino local: Cada dispositivo cliente treina o modelo no seu conjunto de dados local. Uma vez que estes dados nunca saem do dispositivo, mantêm-se privados. Esta formação local é uma componente fundamental da inteligência no dispositivo, frequentemente associada à IA de ponta.
3. Envio de actualizações: Depois de treinar durante algumas iterações, cada cliente envia as actualizações do modelo calculado (como gradientes ou pesos do modelo) para o servidor central. Trata-se de uma carga útil muito mais pequena e mais segura do que os próprios dados em bruto.
4. Agregação segura: O servidor central agrega as actualizações de todos os clientes - por exemplo, calculando a média - para melhorar o modelo global. Técnicas como a computação multipartidária segura podem ser usadas para garantir que o servidor não possa fazer engenharia reversa de atualizações individuais.
5. Melhoria do modelo: O modelo global refinado é então enviado de volta aos clientes para a próxima ronda de formação. Este processo iterativo continua até que o desempenho do modelo atinja o nível de precisão desejado.

Aplicações no mundo real

A Aprendizagem Federada não é apenas um conceito teórico; está na base de várias aplicações correntes e está a transformar as indústrias onde a sensibilidade dos dados é fundamental.

• Previsões de teclados inteligentes: Empresas como a Google utilizam o FL para melhorar o texto preditivo nos teclados móveis. O seu telefone aprende com o seu histórico de digitação para sugerir a palavra seguinte, e estas aprendizagens são partilhadas como actualizações de modelos anónimos para melhorar o motor de previsão para todos os utilizadores sem que as suas mensagens reais saiam do seu dispositivo.
• Investigação médica em colaboração: A FL permite que hospitais e instituições de investigação colaborem na criação de modelos de diagnóstico poderosos para tarefas como a análise de imagens médicas para detetar tumores. Cada hospital pode treinar um modelo partilhado nos dados dos seus doentes, que estão protegidos por leis de privacidade como a HIPAA, sem nunca expor registos sensíveis de doentes a outras instituições ou a um repositório central. Isto permite a criação de modelos mais robustos treinados em diversos conjuntos de dados.

Aprendizagem Federada vs. Conceitos Relacionados

É importante distinguir a FL de outros paradigmas de aprendizagem:

• Formação centralizada: A abordagem tradicional em que todos os dados são recolhidos num único local para a formação. O FL é o oposto direto, concebido especificamente para evitar a centralização de dados.
• Formação distribuída: Esta técnica também utiliza várias máquinas para acelerar a formação, mas pressupõe que os dados de formação são armazenados numa localização central e podem ser distribuídos livremente entre os nós de formação. O FL, por outro lado, trabalha com dados que são inerentemente descentralizados e não podem ser movidos.
• Aprendizagem ativa: Este método centra-se na seleção eficiente dos pontos de dados mais informativos a rotular para reduzir os custos de anotação. Enquanto a FL lida com o local onde ocorre a formação, a aprendizagem ativa lida com os dados que são utilizados. Os dois podem ser combinados para melhorar ainda mais a privacidade e a eficiência, como discutido neste blogue sobre aprendizagem ativa.

Desafios e enquadramentos

Apesar das suas vantagens, o FL enfrenta desafios como os elevados custos de comunicação, a gestão de dispositivos com poder computacional variável(CPU/GPU) e o tratamento de dados não IID (não idêntica e independentemente distribuídos), que podem distorcer o modelo. O sistema também pode ser vulnerável a ataques de adversários que visam actualizações de modelos. Para resolver estas complexidades, foram desenvolvidas estruturas como o TensorFlow Federated e o PySyft de organizações como a OpenMined. À medida que a tecnologia amadurece, a gestão de todo o ciclo de vida da implementação e monitorização do modelo torna-se crucial, um processo simplificado por plataformas como o Ultralytics HUB.