Apprentissage fédéré
Une approche de machine learning décentralisée dans laquelle les modèles sont entraînés sur plusieurs appareils ou serveurs contenant des données locales, sans partager les données brutes de manière centralisée.
Définition
Un paradigme préservant la confidentialité qui envoie des mises à jour du modèle (dégradés), et non des données brutes, entre les clients (par exemple, les smartphones) et un serveur central, en agrégeant ces mises à jour dans un modèle mondial. Il réduit les coûts de transfert de données et préserve la souveraineté locale des données. La gouvernance doit sécuriser l'agrégation des mises à jour (pour éviter tout empoisonnement), gérer la gestion des versions des modèles et s'assurer que la contribution de chaque client est pondérée de manière appropriée afin d'éviter les biais provenant de nœuds sous-représentés.
Exemple concret
Une IA de prédiction au clavier apprend des habitudes de saisie des utilisateurs sur leur téléphone via un apprentissage fédéré : chaque appareil s'entraîne localement sur le texte récent, envoie des mises à jour cryptées des dégradés et le serveur central les regroupe. Aucun texte personnel ne quitte l'appareil, préservant ainsi la confidentialité de l'utilisateur tout en améliorant le modèle linguistique mondial.
.svg)
