FLeet: l’apprentissage machine dans vos mains

- EN- FR

Pour la première fois, une nouvelle étude menée par l’EPFL et l’INRIA révèle que nos téléphones portables peuvent prendre en charge l’ apprentissage machine dans le cadre d’un réseau distribué, sans permettre aux sociétés multinationales de technologie d’accéder à nos données.

À chaque fois que nous lisons l’actualité en ligne ou recherchons un restaurant, de grandes entreprises de technologie collectent des quantités colossales de données liées à nos comportements. Google et Facebook, pour n’en citer que quelques-unes, déclarent le faire pour améliorer leurs services et personnaliser davantage nos expériences en ligne.

Leur intelligence artificielle (IA) filtre l’actualité pour afficher les articles censés vous intéresser le plus. Elle propose également des vidéos similaires à celles que vous avez déjà regardées ou vous aide à trouver un restaurant en se basant sur ceux que vous avez appréciés. En contrepartie, ces données permettent de cibler des publicités adaptées à votre profil et peuvent être partagées avec des tiers, ce qui explique principalement pourquoi les problèmes de vie privée numérique sont si importants.

Aujourd’hui, pour la première fois, une nouvelle étude menée par les laboratoires Distributed Computing Laboratory et Scalable Computing Systems Laboratory , qui font partie de la Faculté informatique et communications (IC) de l’EPFL et par l’ Institut national de recherche en sciences et technologies du numérique (INRIA) ont démontré que l’apprentissage machine - l’exécution d’algorithmes informatiques qui s’améliorent automatiquement avec l’expérience - peut être déployé sur nos téléphones portables en temps réel, sans compromettre leur fonctionnement et sans avoir à partager nos données.

Réalisés dans le cadre du laboratoire commun entre l’EPFL et l’INRIA, les travaux concernent FLeet, une révolution dans le domaine de l’apprentissage fédéré - un modèle global entraîné par des mises à jour calculées sur les téléphones portables tout en conservant localement les données des utilisateurs. L’apprentissage fédéré présente des avantages très intéressants en termes de vie privée. Toutefois, comme il est conçu de sorte à n’avoir aucune incidence sur la consommation ou les performances des téléphones portables, il ne convient pas aux applications qui requièrent de fréquentes mises à jour.

FLeet associe la confidentialité de l’apprentissage fédéré standard à la précision de l’apprentissage en ligne grâce à deux composants essentiels: I-Prof, un nouveau profileur léger qui prédit et contrôle l’impact des tâches d’apprentissage sur les téléphones portables, et AdaSGD, un nouvel algorithme d’apprentissage évolutif qui accepte les mises à jour retardées.

Le professeur Rachid Guerraoui de l’EPFL, l’un des auteurs de l’article, explique qu’aujourd’hui nos smartphones disposent des données et de l’autonomie nécessaires pour permettre l’apprentissage machine distribué.

«Grâce à FLeet, une partie de l’énergie du téléphone portable peut être utilisée pour les tâches d’apprentissage machine sans que vous n’ayez à craindre d’interruption de vos appels ou de vos recherches Internet. Et c’est important notamment parce que nous avons besoin d’avoir des informations en temps réel, sans compter que nous ne voulons pas que l’apprentissage machine intervienne seulement pendant le sommeil ou le chargement du téléphone.»

Selon la professeure Anne-Marie Kermarrec, également autrice de l’article, «nous avons démontré que si nous regroupons tous nos téléphones, ils commencent à constituer une importante puissance informatique digne de celle de Google. Cela donne aux gens des alternatives à l’utilisation des serveurs informatiques puissants et centralisés. C’est un apprentissage vraiment collaboratif où des modèles locaux sont regroupés et contribuent au modèle global. Mais vous ne partagez pas de données brutes et cela protège votre vie privée, ce qui explique une forte motivation à développer ce type d’architecture.»

À l’heure actuelle, FLeet est un prototype qui montre ce qui est possible. Selon Rachid Guerraoui et Anne-Marie Kermarrec, l’étape suivante est de poursuivre le développement d’un produit fini utilisable et les recherches sur d’autres aspects tels que le design de FLeet ou la protection du système contre d’éventuelles attaques.

«Aujourd’hui, la grande tendance est d’essayer de redonner les activités d’apprentissage machine à l’utilisateur car, après tout, les données nous appartiennent et nous devrions pouvoir décider de ce qui se passe sur nos téléphones et avec nos données. Des modèles comme FLeet laisseront le choix aux gens en proposant une alternative aux grandes entreprises de technologie», conclut Anne-Marie Kermarrec.

** «FLeet: Online Federated Learning via Staleness Awareness and Performance Prediction», dont les auteurs sont Georgios Damaskinos (FaceBook), Rachid Guerraoui , Anne-Marie Kermarrec (EPFL), Rhicheek Patra (Oracle Labs), Francois Taiani (INRIA/Université de Rennes) et Vlad Nitu (CNRS), a récemment remporté le prix du meilleur article lors de la Conférence internationale sur les intergiciels (ACM/IFIP Middleware Conference) de 2020, un forum de discussion majeur sur les innovations et les dernières avancées scientifiques des systèmes intergiciels, axé sur le design, l’implémentation, le déploiement et l’évaluation de systèmes, plateformes et architectures distribués pour le calcul, le stockage et la communication.