Federated Learning (Apprentissage Fédéré)
Entraînement d'un modèle de manière décentralisée sur plusieurs appareils locaux sans échanger les données brutes.
L’apprentissage fédéré est une approche d’entraînement où les données restent sur les appareils ou serveurs locaux (smartphones, hôpitaux, banques, usines), et seul le modèle circule. L’objectif est d’améliorer un modèle global tout en limitant la centralisation des données, ce qui aide sur les enjeux de confidentialité, de conformité et de souveraineté.
Comment ça fonctionne
- Un serveur envoie un modèle initial à plusieurs participants (clients).
- Chaque client entraîne le modèle localement sur ses propres données.
- Les clients renvoient des mises à jour de paramètres (poids/gradients), pas les données.
- Le serveur agrège ces mises à jour (souvent via Federated Averaging) pour produire un modèle global.
- Le cycle se répète jusqu’à convergence.
À quoi ça sert
- Exploiter des données sensibles ou dispersées sans les regrouper.
- Réduire les risques liés à la fuite de données brutes.
- Personnaliser partiellement des modèles selon des contextes locaux.
Points d’attention
Les données locales peuvent être non homogènes (différences d’utilisateurs), les clients sont parfois intermittents, et les mises à jour peuvent révéler des informations. On combine souvent l’apprentissage fédéré avec la privacy différentielle et/ou le chiffrement homomorphe.
Exemples
Claviers prédictifs sur mobile, détection de fraude inter-banque, modèles médicaux multi-hôpitaux sans partage de dossiers patients.