Gli approcci standard di machine learning richiedono la centralizzazione dei dati di addestramento su una macchina o in un data center. Per i dati di addestramento raccolti dall’interazione dell’utente con i dispositivi mobili, è meglio utilizzare un approccio diverso, il federated learning.
Il federated learning consente ai dispositivi mobili di apprendere in modo collaborativo un modello di previsione condiviso (addestrare il modello di previsione) mantenendo tutti i dati sul dispositivo. In questo modo si riduce il tempo di latenza, il consumo energetico e l’utilizzo di modelli complessi da addestrare garantendo la privacy delle informazioni che l’utente fornisce attraverso il suo dispositivo mobile.
Inoltre con il federated learning l’utente può utilizzare la sua applicazione in tempo reale beneficiando dei risultati che il modello di machine learning aggiornato può offrire.
Il federated learning funziona senza la necessità di archiviare i dati degli utenti nel cloud.
Utilizziamo protocolli di aggregazione sicura in modo che un server di coordinamento possa gestire l’aggiornamento dei dati degli utenti al raggiungimento di una soglia definita di utenti, criptando le comunicazioni.
L’utilizzo del federated learning richiede che i professionisti del machine learning come DSD, adottino nuovi strumenti e un nuovo modo di pensare:
1. Sviluppare il modello di apprendimento, addestrarlo e validare i risultati senza avere accesso diretto ai dati.
2. Nessuna possibilità di trattare i dati di addestramento .
3. Costi di comunicazione che aumentano.
