Apprentissage fédéré et IA aux bords

Objectifs

• Comprendre les principes et les avantages du federated learning dans le domaine de l'IA d'edge.


• Mettre en œuvre des modèles de federated learning avec TensorFlow Federated et PyTorch.


• Optimiser la formation AI sur des dispositifs distribués d'edge.


• Traiter les défis liés à la confidentialité et à la sécurité des données dans le federated learning.


• Déployer et surveiller des systèmes de federated learning dans des applications réelles.

Description

Introduction au Machine Learning Fédéré

• Aperçu de la formation traditionnelle de l'IA vs. le machine learning fédéré


• Principes clés et avantages du machine learning fédéré


• Cas d'utilisation du machine learning fédéré dans les applications Edge AI

• Comprendre les modèles de machine learning fédéré client-serveur et pair-à-pair


• Partitionnement des données et formation décentralisée des modèles


• Protocoles de communication et stratégies d'agrégation

• Configuration de TensorFlow Federated pour la formation distribuée de l'IA


• Construction de modèles de machine learning fédéré en utilisant Python


• Simulation du machine learning fédéré sur des dispositifs Edge

• Introduction à OpenFL pour le machine learning fédéré


• Implémentation de modèles fédérés basés sur PyTorch


• Personnalisation des techniques d'agrégation fédérée

• Accélération matérielle pour le machine learning fédéré


• Réduction de la charge de communication et du retard


• Stratégies d'apprentissage adaptatives pour les dispositifs à ressources limitées

• Techniques de préservation de la confidentialité (Agrégation Sécure, Confidentialité Différentielle, Chiffrement Homomorphe)


• Atténuation des risques de fuite de données dans les modèles d'IA fédérés


• Conformité réglementaire et considérations éthiques

• Configuration du machine learning fédéré sur des dispositifs Edge réels


• Surveillance et mise à jour des modèles fédérés


• Échelle des déploiements de machine learning fédéré dans les environnements d'entreprise

• Recherches émergentes en machine learning fédéré et Edge AI


• Études de cas réelles dans le domaine de la santé, des finances et du IoT


• Prochaines étapes pour améliorer les solutions de machine learning fédéré