Apprendimento federato (federated learning)
Approccio all'addestramento in cui i dispositivi migliorano localmente un modello condiviso e inviano al server solo gli aggiornamenti dei parametri, così i dati grezzi non lasciano mai il dispositivo.
Nell’apprendimento federato, o federated learning, ogni dispositivo partecipante si addestra sui propri dati e carica gli aggiornamenti del modello, che un coordinatore aggrega in un nuovo modello globale rinviato poi a tutti. Le letture grezze, che possono essere audio, segnali sanitari o log di utilizzo, restano in locale. Questo risponde ai vincoli di sovranità dei dati e riduce la banda in uplink rispetto all’invio di ogni campione al cloud.
L’approccio si adatta a flotte di dispositivi simili, come i wearable o le tastiere che imparano le abitudini dell’utente. Le difficoltà sono pratiche: i dispositivi hanno dati disomogenei, connettività intermittente e poca capacità di calcolo libera, e gli stessi aggiornamenti possono far trapelare informazioni se non vengono protetti. Integra, senza sostituirlo, l’addestramento del modello centralizzato e ha comunque bisogno di un canale di aggiornamento OTA per distribuire il modello aggregato.
Parte del Glossario IoT. Hai trovato un errore o manca un termine? Scrivici.