Architecture d’un réseau décentralisé d’apprentissage machine

Résumé

Plusieurs avancées majeures dans le monde de l’intelligence artificielle, combiné à l’augmentation massive des performances de nos ordinateurs, ont récemment propulsé l’adoption de l’intelligence artificielle dans la vie de tous les jours. En effet, il s’agit d’une technologie très versatile avec d’innombrables cas d’utilisation. Cependant, le processus d’apprentissage requiert beaucoup de données qui sont souvent collectées et centralisées dans des entrepôts de données hors du contrôle de l’utilisateur. Avec raison, cela cause un certain inconfort chez plusieurs utilisateurs, qui craignent que leurs données soient utilisées à leur détriment. D’un autre côté, certains cas d’utilisation ne peuvent être exploré puisque le partage des données des utilisateurs est régi par certaines lois. Par exemple, les données provenant du milieu médical ou financier ne peuvent être partager librement. Afin de remédier à ces problèmes, l’apprentissage fédéré a été proposé afin de laisser le contrôle sur les données à l’utilisateur. Avec cette approche, les utilisateurs entraînent un modèle local sur leur appareil avec leurs données et partagent le modèle à un serveur central qui fera l’agrégation du modèle de tous les utilisateurs. Il s’agit d’une approche très intéressante et prometteuses, mais qui augmente la complexité de l’entraînement. Une approche inspirée de l’apprentissage fédéré sera proposée. Cette nouvelle approche, décentralisé et inclusive, cherche à créer un système qui permet à plusieurs entités indépendantes et autonomes de collaborer pour entraîner un modèle. En effet, elle laisse entièrement le contrôle de l’entraînement et de l’aggrégation de modèle à chaque participant. Ce document détaille l’architecture, l’implémentation ainsi que les résultats obtenus par cette solution.

Date	16 août 2023
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Kaiwen Zhang (Directeur(-trice))