Résumé

La Recommandation UIT-T M.3387 est applicable à la conception architecturale, à la recherche et à la mise au point des modèles d'apprentissage automatique fédéré (FMLM). La confidentialité des données et la sécurité de l'information posent des défis majeurs aux communautés des mégadonnées et de l'intelligence artificielle (IA), dans la mesure où celles-ci sont soumises à une pression croissante pour se conformer aux exigences réglementaires. De nombreuses opérations courantes dans les systèmes et applications de mégadonnées, comme la fusion de données d'utilisateur issues de plusieurs sources en vue de créer un modèle d'apprentissage automatique, sont considérées comme illégales au regard des cadres réglementaires en vigueur.

L'apprentissage automatique fédéré (FML) vise à proposer une solution viable permettant aux applications d'apprentissage automatique d'utiliser les données de manière répartie. Dans un cadre d'apprentissage FML, les propriétaires de données n'échangent pas de données brutes directement et ne permettent à aucune partie d'obtenir par déduction des informations privées d'autres parties. Afin de faciliter la mise au point et l'utilisation de FMLM et d'améliorer la qualité de service de l'apprentissage FML, la Recommandation UIT-T M.3387 définit les exigences de gestion applicables aux systèmes d'apprentissage automatique fédéré (FMLS), y compris l'architecture fonctionnelle de ces systèmes, ainsi que les exigences relatives aux domaines de la gestion fondamentale, de la gestion des modèles et de la gestion des données.