(Abonnez-vous à notre newsletter Today’s Cache pour un aperçu rapide des 5 meilleures histoires technologiques. Cliquez sur ici pour vous abonner gratuitement.)

Les appareils domestiques intelligents tels que les haut-parleurs et les montres intelligentes collectent et partagent des données avec d’autres appareils et systèmes sur le réseau. Ces appareils Internet des objets (IoT) sont équipés de capteurs et de logiciels qui stockent les informations privées d’un utilisateur telles que les mesures corporelles et l’emplacement.

Ces données stockées sont utilisées par les fabricants d’appareils pour améliorer leurs produits et services.

Selon des chercheurs de l’Université des sciences et technologies du Missouri, une amélioration d’un modèle d’apprentissage automatique (ML), appelée «  apprentissage fédéré  », permettrait aux entreprises de développer de nouvelles façons de collecter des données anonymes sans compromettre leur vie privée.

Qu’est-ce que «l’apprentissage fédéré»?

L’apprentissage fédéré est une méthode ML utilisée pour entraîner un algorithme sur plusieurs appareils ou serveurs décentralisés contenant des échantillons de données. Il n’échange pas de données avec les appareils, ce qui signifie qu’il n’y a pas de jeu de données central ou de serveur qui stocke les informations.

Lire aussi | L’ONU dénonce l’utilisation par la police du profilage racial dérivé du Big Data

Les modèles ML standard exigent que toutes les données soient centralisées sur un seul serveur. La mise en œuvre de l’apprentissage fédéré élimine le besoin de maintenir un concentrateur de stockage.

Le terme a été introduit pour la première fois dans une étude Google de 2016 intitulée «  Apprentissage efficace de la communication des réseaux profonds à partir de données décentralisées  ».

Google a mis l’accent sur les téléphones mobiles et les tablettes, déclarant que les appareils modernes contiennent des fonctionnalités spéciales telles que la reconnaissance vocale et des modèles d’image qui peuvent stocker de grandes quantités de données.

Depuis lors, Google a utilisé la technique dans divers produits, dont Gboard, qui fournit des suggestions de texte et de phrase au clavier. Google avait déclaré que les suggestions pouvaient être envoyées à ses autres services, à l’exclusion de ce qui a été tapé ou prononcé par l’utilisateur.

Comment ça marche

L’apprentissage fédéré vise à entraîner un algorithme, comme les réseaux de neurones profonds, sur plusieurs ensembles de données locaux contenus dans des nœuds locaux, sans échanger explicitement de données. Le principe général consiste simplement à échanger des paramètres entre ces nœuds. Les paramètres incluent le nombre de cycles d’apprentissage fédérés, le nombre total de nœuds et le taux d’apprentissage.

Lire aussi | L’équipe du MIT et de Harvard développe un nouveau modèle pour améliorer la prise de décision basée sur l’IA

L’avantage distinct du modèle est sa capacité à réduire les risques de confidentialité et de sécurité en limitant la surface d’attaque uniquement à l’appareil, plutôt qu’à l’appareil et au cloud, a déclaré Google dans l’étude.

On dit que l’apprentissage fédéré a une application dans les soins de santé, où les hôpitaux et les sociétés pharmaceutiques peuvent échanger des données pour traiter des maladies sans partager d’informations cliniques privées.