Apprentissage fédéré

L'apprentissage fédéré permet d'entraîner un modèle d'IA en utilisant des données réparties sur plusieurs appareils ou organisations, comme des smartphones ou des hôpitaux. Contrairement à une approche classique, les données brutes ne quittent jamais leur source : seuls les résultats de l'apprentissage (les paramètres du modèle) sont partagés et agrégés pour améliorer le modèle global. Cela protège la confidentialité, car les informations sensibles restent locales et ne sont jamais exposées à des tiers.

Cette technique est particulièrement utile dans des contextes où les données sont sensibles, comme la santé ou la finance. Par exemple, des hôpitaux peuvent collaborer pour améliorer un modèle de diagnostic sans partager les dossiers médicaux de leurs patients. Chaque établissement entraîne le modèle localement, puis envoie uniquement les mises à jour du modèle, qui sont ensuite combinées pour créer une version améliorée.

L'apprentissage fédéré est aussi utilisé pour les appareils connectés, comme les smartphones, où les données personnelles restent sur l'appareil de l'utilisateur tout en contribuant à l'amélioration d'un modèle partagé.