11 août 2020

Mi Zhang est professeur adjoint dans le Collège d’ingénierie. Il a été invité par Google à discuter de l’avenir de l’apprentissage fédéré lors d’un événement en ligne spécial du 29 au 30 juillet. Des chercheurs et des professeurs de Google du monde entier se sont réunis virtuellement pour collaborer et établir des partenariats afin de faire progresser la recherche sur l’apprentissage fédéré.

Q: Qu’est-ce que l’apprentissage fédéré?

Zhang: L’apprentissage fédéré est un paradigme informatique émergent qui permet à plusieurs appareils finaux, comme les téléphones mobiles, d’apprendre en collaboration un modèle d’apprentissage automatique tout en conservant toutes les données d’entraînement sur l’appareil. Étant donné que les données brutes de chaque appareil final sont stockées localement et ne sont ni échangées ni transférées, les utilisateurs d’appareils finaux peuvent bénéficier d’un modèle d’apprentissage automatique bien formé sans partager leurs données sensibles à la confidentialité.

Q: Pourquoi les experts en informatique et les chercheurs de Google s’intéressent-ils à ce nouveau paradigme?

Aujourd’hui, des quantités gigantesques de données sont générées quotidiennement par les téléphones mobiles. Ces données contiennent des informations précieuses sur les utilisateurs et leurs préférences personnelles. Grâce à l’apprentissage fédéré, Google est en mesure d’extraire ces informations précieuses tout en préservant la confidentialité des données des utilisateurs pour créer des modèles d’apprentissage automatique meilleurs et personnalisés afin de fournir des services individualisés afin d’améliorer au maximum l’expérience utilisateur.

Q: Quel est le lien entre l’apprentissage fédéré et votre recherche actuelle?

L’intelligence artificielle passe du cloud à des milliards d’appareils tels que les téléphones mobiles et l’Internet des objets dont les gens ne peuvent pas se passer dans leur vie quotidienne. Ma recherche vise à concrétiser la vision de rendre l’IA omniprésente. L’apprentissage fédéré s’inscrit parfaitement dans une telle vision.

Q: Quelle est la prochaine étape de votre recherche?

L’apprentissage fédéré ouvre un tout nouveau champ de recherche en IA et comporte une pléthore de problèmes ouverts et de défis à résoudre. Mes étudiants et moi développons des techniques pour améliorer l’efficience et l’efficacité de l’apprentissage fédéré, renforcer la robustesse aux attaques et échecs adverses et explorer comment appliquer l’apprentissage fédéré aux applications émergentes.