Aprendizagem Federada
Um paradigma de aprendizado de máquina que permite o treinamento colaborativo de modelos sem centralizar os dados.
Definição
Aprendizado Federado é uma técnica de aprendizado de máquina descentralizado em que múltiplos clientes (como dispositivos, servidores ou organizações) treinam conjuntamente um modelo compartilhado mantendo seus dados armazenados localmente. Em vez de transferir conjuntos de dados brutos para um servidor central, cada participante treina o modelo com seus próprios dados e envia apenas atualizações do modelo, como gradientes ou parâmetros, para agregação. Este processo produz um modelo global que se beneficia de fontes de dados diversas sem expor informações sensíveis. É amplamente utilizado em cenários onde a privacidade dos dados, conformidade regulatória ou propriedade distribuída dos dados são críticas.
Prós
- Melhora a privacidade dos dados garantindo que os dados brutos nunca saiam dos ambientes locais
- Reduz o risco de vazamentos de dados e apoia a conformidade com regulamentações
- Aproveita conjuntos de dados diversos e reais para modelos mais robustos e generalizados
- Minimiza os custos de transferência de dados e o uso de largura de banda em sistemas distribuídos
- Alinha-se bem com a computação nas bordas e a implantação de IA em dispositivos
Contras
- Projeto de sistema complexo que requer coordenação entre muitos nós distribuídos
- O desempenho pode ser afetado por distribuições de dados heterogêneos ou não IID
- Sobrecarga de comunicação durante trocas frequentes de atualizações do modelo
- Vulnerável a ataques adversariais, como contaminação de modelos
- Difícil de depurar e monitorar em comparação com sistemas de treinamento centralizado
Casos de uso
- Treinamento de modelos de resolução de CAPTCHA ou detecção de bots usando dados comportamentais distribuídos sem expor atividades dos usuários
- Sistemas de previsão de teclado móvel que aprendem com a entrada do usuário preservando a privacidade
- Modelos de IA em saúde treinados entre hospitais sem compartilhar registros de pacientes
- Sistemas de detecção de fraude no setor financeiro em que instituições colaboram sem trocar dados sensíveis
- Sistemas de raspagem da web e automação que se adaptam a mecanismos anti-bot usando sinais descentralizados