L'apprentissage
automatique fédéré (FML, federated machine learning) est un cadre
réparti en plein essor qui ouvre la voie à l'apprentissage automatique (ML, machine
learning) collaboratif et à la construction de modèles s'appuyant sur des
ensembles de données répartis et décentralisés. Un service d'apprentissage fédéré présente des
caractéristiques qui lui sont propres, notamment l'emplacement des données
utilisées dans le calcul et la mise à disposition de ces données sans les
rendre visibles. Les participants au service peuvent
ainsi entraîner de manière conjointe des modèles ML sans partager les
données brutes, ce qui offre une solution technique pour casser l'isolement
des données et favorise la coopération entre propriétaires de données.
Un service FML fait
intervenir de multiples participants, lesquels présentent des facteurs d'impact
distincts et apportent de ce fait une contribution spécifique aux tâches d'entraînement
des modèles ML. Il est capital de disposer d'un
mécanisme efficace et sûr d'évaluation des contributions aux services FML,
afin d'accroître la participation des parties impliquées et de favoriser le
développement durable de ces services.
La Recommandation UIT-T F.748.24 décrit un
service d'évaluation de confiance des contributions aux services FML qui
associe et tire avantage des fonctionnalités FML et de la technologie des
registres distribués; elle expose également les concepts, caractéristiques,
prescriptions et cas d'utilisation pertinents, et définit un cadre de
référence adéquat et les capacités communes d'un tel service.
|