Federated Learning (o Aprendizaje Federado) es una técnica de aprendizaje automático descentralizado que permite entrenar modelos de Inteligencia Artificial sin necesidad de centralizar los datos. Esto es posible porque los datos no se envían a un servidor central; el modelo se entrena localmente en dispositivos o servidores y se comparten los parámetros del modelo, pero no los datos.
¿Cómo funciona el Federated Learning?
La dinámica de funcionamiento del Federated Learning se basa en la descentralización y en la privacidad de los datos.
En primer lugar, un modelo inicial es enviado desde un servidor central a varios dispositivos. Pueden ser sensores, dispositivos móviles...
En cualquier caso, cada dispositivo entrena el modelo localmente con sus propios datos privados y los resultados del entrenamiento local se envían de vuelta al servidor.
Una vez recibidos, el servidor reúne, combina y procesa los resultados de todos los dispositivos y actualiza el modelo global.
Lo habitual es que el proceso se repita varias veces hasta que el modelo resulte convergente.
Ventajas del Federated Learning para tu empresa
El Federated Learning cuenta con una serie de ventajas destacadas:
- Privacidad de los datos: Los datos personales nunca abandonan el dispositivo en el que están o se recopilan inicialmente. Es, sin duda, una de las características más valoradas.
- Cumplimiento de las regulaciones en materia de privacidad y protección de datos.
- Aprovechamiento del potencial de datos heterogéneos y dispositivos distribuidos y, además, especial compatibilidad con el uso de IoT.
- Colaboración: Facilita el entrenamiento de modelos de manera colaborativa entre múltiples participantes.
Sin embargo, esta técnica también tiene algunas desventajas. Entre ellas, que el entrenamiento resulta más lento y la comunicación requiere muchos recursos y ancho de banda.
Dónde se usa el Federated Learning
El Federated Learning es una técnica de uso común en empresas y entidades de diferentes sectores.
Se utiliza, por ejemplo, en Gboard, el teclado virtual desarrollado por Google para dispositivos móviles Android e iOS. Sirve para mejorar las predicciones de texto basándose en lo que escribes, sin necesidad de enviar tus datos al servidor.
También se usa habitualmente para el entrenamiento de modelos a partir de datos médicos sensibles distribuidos en diferentes centros médicos.
En finanzas, es una buena herramienta para la detección de fraudes, ya que recopila datos de diversas entidades bancarias sin compartir información confidencial de clientes.
Otro ejemplo de uso del Federated Learning son las smart cities, donde puede ayudar a optimizar el tráfico o los servicios de limpieza.
