Dr hab. Barbara Pękala, prof. WSIZ
Profesor w Wyższej Szkole Informatyki i Zarządzania oraz na Uniwersytecie Rzeszowskim. Jej zainteresowania badawcze koncentrują się na eksploracji i stosowaniu rozszerzeń teorii zbiorów rozmytych, np. funkcji agregujących, czy miar uwzględniających niepewność i nieprecyzyjność w metodach inteligencji obliczeniowej, takich jak wnioskowanie przybliżone, eksploracja danych, czy uczenie federacyjne. Aktywnie wspiera działalność stowarzyszeń naukowych poprzez pełnienie funkcji: prezesa Polskiego Towarzystwa Zbiorów Rozmytych (POLFUZZ), wiceprezesa EUSFLAT oraz członka Komitetu Technicznego Systemów Rozmytych (FSTC) CIS.

Uczenie federacyjne (ang. Federated Learning, FL) to technika uczenia maszynowego, w której model trenowany jest w sposób rozproszony, przy wykorzystaniu danych zgromadzonych lokalnie na urządzeniach końcowych, takich jak smartfony, komputery czy serwery w różnych lokalizacjach. Dzięki temu podejściu dane użytkowników nie opuszczają ich urządzeń, co zwiększa ich prywatność i bezpieczeństwo.

Uczenie federacyjne działa poprzez iteracyjne aktualizowanie globalnego modelu na podstawie lokalnych aktualizacji z urządzeń, które przetwarzają swoje dane lokalnie.

Główne zalety tego podejścia to:

• Prywatność danych: dane nie są centralnie przechowywane ani przesyłane do serwera.
• Redukcja kosztów przesyłania danych: tylko wagi modelu są przesyłane między serwerem a urządzeniami.
• Skalowalność: dzięki rozproszeniu obliczeń na wiele urządzeń.

Uczenie federacyjne zostało po raz pierwszy zaproponowane przez badaczy z Google w 2016 roku. Koncepcja FL była odpowiedzią na rosnące potrzeby ochrony prywatności i bezpieczeństwa danych, zwłaszcza w kontekście urządzeń mobilnych, takich jak smartfony, gdyż pierwszym praktycznym przykładem zastosowania FL była klawiatura Google Keyboard (obecnie Gboard), która wykorzystywała uczenie federacyjne do usprawnienia predykcji tekstu i autokorekty, trenując modele na danych lokalnych użytkowników.

Metoda FL zdobywa coraz większą popularność, szczególnie w kontekście ochrony prywatności i przetwarzania danych na dużą skalę. Poniżej omówiono najważniejsze trendy i wyzwania związane z uczeniem federacyjnym.

Trendy w uczeniu federacyjnym

W związku z potencjałem i korzyściami płynącymi z wykorzystywania techniki FL możemy zaobserwować następujące kierunki jej rozwoju:

1. Ochrona prywatności i bezpieczeństwo danych
   Uczenie federacyjne znajduje zastosowanie w aplikacjach wymagających ochrony danych, takich jak opieka zdrowotna, finanse czy aplikacje mobilne (np. personalizowane sugestie na smartfonach). Dzięki temu firmy mogą korzystać z danych użytkowników bez ich centralnego gromadzenia.
2. Integracja z IoT (Internet of Things)
   Urządzenia IoT generują ogromne ilości danych, a uczenie federacyjne pozwala na lokalne przetwarzanie tych danych, co zmniejsza koszty przesyłu i zapewnia lepszą ochronę prywatności.
3. Optymalizacja energetyczna i obliczeniowa
   Wykorzystanie uczenia federacyjnego w urządzeniach o ograniczonych zasobach (np. smartfony, sensory IoT) prowadzi do rozwoju bardziej efektywnych algorytmów optymalizujących zużycie energii i pamięci.
4. Zastosowanie w aplikacjach mobilnych i personalizacji
   FL jest coraz częściej stosowane przez firmy technologiczne, takie jak Google (np. w Gboard) czy Apple, w celu poprawy personalizacji usług bez narażania prywatności użytkowników.
5. Rozwój algorytmów tolerujących błędy
   Postępy w projektowaniu algorytmów odpornych na różnorodność danych (ang. non-IID data) i nierównomierny rozkład danych między uczestnikami systemu zwiększają możliwości FL.

Wyzwania związane z uczeniem federacyjnym

Rozwój techniki FL bezpośrednio związany jest z wyzwaniami jakie stawia przed FL współczesny rozwój cywilizacyjny, gdzie obok efektywności systemów decyzyjnych, równie ważne jest bezpieczeństwo danych. Zatem możemy wyróżnić następujące wyzwania stawiane przed FL:

1. Heterogeniczność danych i urządzeń
   Dane na różnych urządzeniach mogą być bardzo różnorodne (ang. non-IID), co utrudnia efektywne trenowanie modeli. Dodatkowo urządzenia różnią się pod względem mocy obliczeniowej, pamięci i dostępności sieci.
2. Zabezpieczenia przed atakami
   Chociaż dane nie są przesyłane w formie surowej, FL jest podatne na ataki, takie jak ataki złośliwych uczestników (ang. poisoning attacks) czy ataki rekonstrukcji danych.
3. Efektywność komunikacji
   FL wymaga wielu iteracji wymiany parametrów między urządzeniami a serwerem centralnym. To generuje duże koszty komunikacyjne, szczególnie w systemach o ograniczonych przepustowościach.
4. Brak standaryzacji i interoperacyjności
   Obecnie brakuje standardów w implementacji FL, co utrudnia jego skalowanie i integrację w różnych środowiskach.
5. Regulacje prawne
   Uczenie federacyjne wiąże się z koniecznością zgodności z lokalnymi i międzynarodowymi regulacjami dotyczącymi ochrony danych, takimi jak RODO w Unii Europejskiej czy CCPA w Kalifornii.
6. Złożoność algorytmiczna
   Projektowanie algorytmów, które są jednocześnie wydajne, skalowalne i odporne na różnorodność danych, pozostaje wyzwaniem badawczym.

Uczenie federacyjne otwiera nowe możliwości w zakresie ochrony prywatności i wykorzystania danych w sposób zdecentralizowany. Mimo to wymaga rozwiązania licznych wyzwań technicznych i organizacyjnych, takich jak heterogeniczność danych, bezpieczeństwo czy ograniczenia infrastrukturalne. Trendy wskazują na dynamiczny rozwój tej dziedziny, a współpraca między środowiskiem akademickim, przemysłem i regulatorami jest kluczowa dla pełnego wykorzystania jej potencjału.

Wśród najważniejszych przykładów zastosowań uczenia federacyjnego możemy wyróżnić:

1. Personalizacja aplikacji mobilnych:
   – Autokorekta i przewidywanie słów w klawiaturach (np. Gboard).
   – Rekomendacje treści w mediach społecznościowych.
2. Opieka zdrowotna:
   – Analiza danych medycznych bez udostępniania wrażliwych informacji.
   – Tworzenie modeli predykcyjnych na podstawie danych z różnych szpitali.
3. Finanse:
   – Wykrywanie oszustw w systemach płatniczych z zachowaniem poufności danych transakcyjnych.

Dziś uczenie federacyjne jest kluczowym podejściem w dziedzinach wymagających ochrony danych, takich jak zdrowie, finanse, IoT i telekomunikacja. Wraz z postępem w dziedzinie sztucznej inteligencji oraz wzrostem regulacji dotyczących prywatności (np. RODO, HIPAA), FL zyskuje coraz większe znaczenie jako rozwiązanie umożliwiające trenowanie modeli AI w sposób etyczny i efektywny.