Classificateur local
Un classifieur local est un modèle ou un composant d'apprentissage automatique conçu pour effectuer des tâches de classification en utilisant des données traitées directement sur un appareil local ou au sein d'un environnement confiné et localisé. Contrairement aux grands modèles centralisés dans le cloud, les classifieurs locaux fonctionnent avec des ressources informatiques limitées et souvent sans connexion Internet constante.
Le passage à la classification locale répond à des besoins critiques de l'informatique moderne, principalement la latence et la confidentialité. En prenant des décisions localement, les applications peuvent répondre instantanément, ce qui est vital pour les systèmes en temps réel. De plus, le traitement des données sensibles sur l'appareil assure la conformité avec des réglementations strictes en matière de gouvernance des données, car les données brutes n'ont jamais besoin de quitter le matériel de l'utilisateur.
Les classifieurs locaux sont généralement des versions optimisées de modèles plus grands et plus complexes. Des techniques telles que la quantification de modèle, l'élagage (pruning) et la distillation de connaissances sont utilisées pour réduire la taille et l'empreinte computationnelle du modèle tout en conservant une précision prédictive élevée. Le modèle est entraîné de manière centralisée sur des ensembles de données massifs, mais est ensuite déployé dans un format léger adapté à l'exécution sur des appareils périphériques (par exemple, smartphones, capteurs IoT, serveurs locaux).
Ce concept est étroitement lié à l'informatique en périphérie (Edge Computing), au TinyML (Tiny Machine Learning) et à l'apprentissage fédéré (Federated Learning), où les modèles sont entraînés de manière collaborative sur de nombreux appareils locaux sans centraliser les données brutes.
