Federated learning — AI trénink bez sdílení dat

Nemocnice chce AI pro diagnostiku, ale nesmí sdílet pacientská data. Banka potřebuje model pro detekci podvodů, ale regulace zakazuje export transakčních dat. Federated learning řeší tento fundamentální konflikt: model jde k datům, ne data k modelu. Každý účastník trénuje lokálně na svých datech a sdílí pouze model updates, nikdy surová data.

Jak funguje¶

Každý účastník (klient) trénuje kopii modelu lokálně na svých datech. Do centra se posílají jen model updates (gradienty nebo parametry), nikdy samotná data. Centrální server tyto updates aggreguje (typicky weighted averaging) a distribuuje aktualizovaný globální model zpět ke klientům. Proces se opakuje v iteracích, dokud model nedosáhne požadované přesnosti. Differential privacy se přidává jako další vrstva ochrany — šum v gradientech zabraňuje odvození individuálních dat.

Typy¶

• Cross-device: Miliony mobilních zařízení (např. Google Keyboard predikce) — obrovský počet klientů s malými datasety
• Cross-silo: Organizace spolupracují (nemocnice, banky, telco) — malý počet klientů s velkými datasety

Cross-silo je relevantnější pro enterprise — umožňuje trénovat modely na datech z více organizací bez porušení regulací a bez nutnosti centralizace. Například konsorcium nemocnic může společně trénovat diagnostický model, aniž by jakákoliv nemocnice sdílela pacientská data.

Frameworky¶

• Flower: Framework-agnostic, nejpopulárnější open-source FL framework, podporuje PyTorch i TensorFlow
• PySyft: Privacy-first přístup s diferenciální privacitou a secure multi-party computation
• NVIDIA FLARE: Enterprise-grade pro healthcare a farmacii, integrovaný s NVIDIA Clara

Výzvy¶

Heterogenita dat (non-IID distribuce), communication overhead (přenos modelů přes síť), poisoning attacks (útočník pošle škodlivé updates) a konvergence (model konverguje pomaleji než centralizovaný trénink).

Federated learning je budoucnost privacy-preserving AI¶

Pro healthcare, finance a government je to jediná cesta k AI bez centralizace dat. S rostoucími regulačními požadavky (GDPR, DORA) bude federated learning stále důležitější.