Améliorer la confidentialité des données dans le cloud grâce à l'apprentissage fédéré : une approche décentralisée pour l'entraînement des modèles d'IA

Le modèle d'apprentissage fédéré sur les plateformes cloud ajuste l'entraînement des modèles d'intelligence artificielle, en se concentrant sur la sécurité des données tout en conservant la formule précédemment utilisée. Les approches traditionnelles centralisées pour l'entraînement des modèles d'IA sont peu sûres et dangereuses pour les données et la vie privée en raison de la vulnérabilité d'exposition des données dans un environnement cloud. L'apprentissage fédéré aide à entraîner les modèles de ML avec l'assistance de nombreux appareils ou serveurs en périphérie sans accéder aux données sur un serveur central. Le concept décrivant l'une des façons prometteuses d'apprendre à partir de grandes données sans les transmettre et sans divulguer les données elles-mêmes est appelé apprentissage fédéré ; le présent article vise à expliquer les principes et méthodologies de l'apprentissage fédéré. Sur la base de la littérature et des rapports sur des simulations, cette étude évalue l'applicabilité de l'apprentissage fédéré pour la préservation de la vie privée par rapport à l'approche centralisée. Les conclusions indiquent que les possibilités de la révolution analytique dans l'entraînement de modèles distribués basé sur l'apprentissage fédéré créent une occasion de préserver la propriété des données et de garantir la qualité des modèles dans les environnements cloud.