Tempo de Execução Federado
Runtime Federado refere-se a um ambiente computacional onde modelos de aprendizado de máquina ou aplicações complexas são executados em uma rede de dispositivos ou servidores descentralizados, em vez de em um único servidor central. Em vez de agregar todos os dados brutos em um único local, o runtime gerencia o processo de treinamento ou execução dos modelos localmente nas fontes de dados.
Em aplicações modernas intensivas em dados, a soberania dos dados, os regulamentos de privacidade (como o GDPR) e as limitações de largura de banda tornam a agregação centralizada de dados impraticável ou ilegal. O Runtime Federado aborda esses problemas trazendo a computação para os dados, garantindo que as informações sensíveis permaneçam locais, ao mesmo tempo em que contribuem para uma melhoria global do modelo.
O processo geralmente envolve um orquestrador central que distribui um modelo global ou uma tarefa de treinamento para vários nós locais (clientes). Cada nó local treina ou executa o modelo usando seu conjunto de dados privado e local. Apenas as atualizações ou parâmetros do modelo resultantes — e não os dados brutos — são enviados de volta ao orquestrador. O orquestrador, então, agrega essas atualizações (por exemplo, usando Média Federada) para criar um modelo global aprimorado, que é redistribuído para a próxima rodada de treinamento.
O Runtime Federado é fundamental em cenários que envolvem dados sensíveis: saúde (treinamento de modelos de diagnóstico em dados hospitalares), aprendizado em dispositivos móveis (melhoria da previsão de teclado sem fazer upload de teclas digitadas) e implantações de IoT onde a inferência em tempo real deve ocorrer na borda.
A implementação de um runtime federado introduz complexidades relacionadas à heterogeneidade do sistema (diferentes hardwares/softwares entre os nós), sobrecarga de comunicação para a troca de parâmetros e garantia da convergência do modelo apesar dos dados locais não-IID (não idênticos e independentemente distribuídos).
Este conceito se sobrepõe significativamente ao Edge Computing, que se concentra no processamento de dados perto da fonte, e à Privacidade Diferencial, que é uma técnica frequentemente adicionada ao aprendizado federado para adicionar garantias matemáticas contra vazamento de dados.
