Análise e implantação de ferramentas para aprendizado federado local e em nuvem : um breve comparativo entre o treinamento local e federado.

Abstract

O aprendizado federado consiste em uma forma de executar o aprendizado de máquina distribuído sem que o cientista de dados precise conhecer ou obter todos os dados localmente. Essa forma de treinamento envolve não só a área de inteligência artificial, mas também a área de sistemas distribuídos. Neste trabalho, foram exploradas ferramentas disponíveis no mercado para analisar a facilidade de implantação e utilização do aprendizado federado, bem como comparativos breves entre os métodos convencionais e federado. Os resultados mostraram que o aprendizado federado pode ser facilmente utilizado sem que o cientista precise obter conhecimento além do utilizado no treinamento local. Na segunda parte do trabalho, foi dada ênfase à automatização dos procedimentos necessários para a execução do treinamento federado. O objetivo da automação é facilitar o uso e acelerar a curva de aprendizado da ferramenta desenvolvida pela IBM. Além disso, novos experimentos foram realizados com variações na quantidade e proporção dos dados, a fim de analisar como o aprendizado federado lida com essas variáveis. Os resultados obtidos mostram que, dependendo da base de dados analisada, o viés criado pode ser benéfico para a eficiência do treinamento. Para a base de dados apresentada, que é binária, a divisão por classe mostrou-se vantajosa à medida que se aumenta a quantidade de épocas e participantes. Além disso, a criação de um tutorial facilitou significativamente todo o processo, desde a preparação até a execução do treinamento, reduzindo assim o tempo necessário para realizar cada etapa do processo de treinamento.