Apprentissage federe pour la confidentialite

Définition

L'apprentissage federe, ou federated learning, est une technique d'entrainement de modeles d'intelligence artificielle qui permet d'apprendre a partir de donnees reparties sur plusieurs appareils ou organisations sans jamais centraliser ces donnees brutes. Chaque participant entraine localement une copie du modele sur ses propres donnees, puis transmet uniquement les mises a jour de parametres, ou gradients, a un serveur central charge de les agreger pour ameliorer un modele global, redistribue ensuite a l'ensemble des participants. Cette approche, popularisee par Google pour l'amelioration du clavier predictif Gboard sur les smartphones Android, reduit significativement les risques lies au transfert et au stockage centralise de donnees sensibles, ce qui en fait une reponse technique pertinente aux exigences de minimisation et de protection des donnees des l'entrainement du RGPD. L'apprentissage federe ne garantit toutefois pas a lui seul une confidentialite totale : les gradients transmis peuvent, dans certaines conditions, etre exploites par des attaques d'inference pour reconstituer partiellement les donnees locales d'origine. Il est donc frequemment combine avec la confidentialite differentielle, qui ajoute du bruit calibre aux mises a jour transmises, ou avec le chiffrement homomorphe et le calcul multipartite securise pour renforcer la protection. Le secteur de la sante et le secteur bancaire figurent parmi les principaux adoptants de cette technique, en raison de la sensibilite des donnees concernees.