Modèle fédéré
Un Modèle Fédéré, souvent mis en œuvre via l'Apprentissage Fédéré (FL), est un paradigme d'apprentissage automatique qui entraîne un modèle global partagé à travers un réseau de dispositifs périphériques ou de serveurs décentralisés contenant des échantillons de données locaux, sans échanger les données brutes elles-mêmes. Au lieu de regrouper des données sensibles dans un emplacement central, c'est le modèle qui se déplace vers les données.
À une époque de réglementations strictes sur les données comme le RGPD et le CCPA, la centralisation des données utilisateur sensibles est de plus en plus risquée et souvent non conforme. Les Modèles Fédérés résolvent ce problème en permettant aux organisations de tirer parti de vastes ensembles de données distribuées — tels que ceux résidant sur des téléphones mobiles, des hôpitaux ou des serveurs de succursales locaux — pour construire des modèles d'IA robustes tout en gardant les données localisées et privées.
Le processus implique plusieurs étapes itératives. Premièrement, un serveur central envoie la version actuelle du modèle global aux clients participants sélectionnés. Chaque client entraîne ensuite ce modèle localement en utilisant son ensemble de données propriétaire. Après l'entraînement local, les clients n'envoient que les mises à jour du modèle (par exemple, les mises à jour de gradient ou les changements de poids) au serveur central, et non les données brutes. Le serveur agrège ensuite ces mises à jour — souvent en utilisant des techniques comme l'Agrégation Fédérée (FedAvg) — pour créer un modèle global amélioré, qui est ensuite redistribué pour le prochain cycle d'entraînement.
Les Modèles Fédérés sont très applicables dans les scénarios où les données ne peuvent pas quitter leur source. Les exemples incluent : l'entraînement de modèles de texte prédictif sur les smartphones des utilisateurs, le développement d'IA de diagnostic dans des réseaux multi-hôpitaux sans partager les dossiers des patients, ou l'amélioration de la détection de fraude à travers plusieurs institutions financières.
Les principaux avantages sont une confidentialité et une conformité accrues des données, une réduction des coûts de transmission des données, et la capacité d'entraîner sur des données réelles très diverses qui seraient autrement cloisonnées en raison de restrictions de gouvernance. Cela conduit à des modèles plus robustes et plus généralisables.
La mise en œuvre de l'Apprentissage Fédéré introduit des obstacles techniques. Ceux-ci comprennent la gestion de l'hétérogénéité du système (dispositifs avec des capacités de calcul variables), la gestion des données non IID (non-indépendantes et non identiquement distribuées) entre les clients, et l'assurance de la sécurité des mises à jour de modèle transmises contre les attaques par inférence.
Ce concept est étroitement lié à la Confidentialité Différentielle (qui ajoute du bruit aux mises à jour pour empêcher la rétro-ingénierie des points de données individuels) et à l'Agrégation Sécurisée (qui garantit que le serveur central ne peut pas voir les mises à jour individuelles des clients).
