Exécution fédérée
L'Exécution Fédérée (Federated Runtime) désigne un environnement informatique où des modèles d'apprentissage automatique ou des applications complexes sont exécutés sur un réseau de dispositifs ou de serveurs décentralisés, plutôt que sur un serveur central unique. Au lieu de regrouper toutes les données brutes en un seul endroit, l'exécution gère le processus d'entraînement ou d'exécution des modèles localement sur les sources de données.
Dans les applications modernes gourmandes en données, la souveraineté des données, les réglementations en matière de confidentialité (comme le RGPD) et les limites de bande passante rendent l'agrégation centralisée des données impraticable, voire illégale. L'Exécution Fédérée répond à ces problèmes en amenant le calcul aux données, garantissant que les informations sensibles restent locales tout en contribuant à une amélioration globale du modèle.
Le processus implique généralement un orchestrateur central qui distribue un modèle global ou une tâche d'entraînement à divers nœuds locaux (clients). Chaque nœud local entraîne ou exécute le modèle en utilisant son jeu de données privé et local. Seules les mises à jour de modèle ou les paramètres résultants — et non les données brutes — sont renvoyés à l'orchestrateur. L'orchestrateur agrège ensuite ces mises à jour (par exemple, en utilisant la Moyenne Fédérée) pour créer un modèle global amélioré, qui est ensuite redistribué pour le prochain cycle d'entraînement.
L'Exécution Fédérée est essentielle dans les scénarios impliquant des données sensibles : les soins de santé (entraînement de modèles de diagnostic sur des données hospitalières), l'apprentissage sur appareils mobiles (amélioration de la prédiction du clavier sans téléverser les frappes) et les déploiements IoT où l'inférence en temps réel doit se produire en périphérie (edge).
La mise en œuvre d'une exécution fédérée introduit des complexités liées à l'hétérogénéité du système (différents matériels/logiciels sur les nœuds), à la surcharge de communication pour l'échange de paramètres, et à la garantie de la convergence du modèle malgré des données locales non IID (non identiquement et indépendamment distribuées).
Ce concept chevauche considérablement l'Informatique en Périphérie (Edge Computing), qui se concentre sur le traitement des données près de la source, et la Confidentialité Différentielle (Differential Privacy), qui est une technique souvent superposée à l'apprentissage fédéré pour ajouter des garanties mathématiques contre les fuites de données.
