Les approches du machine learning standard nécessitent la centralisation des données sur une machine ou dans un datacenter. Et Google a construit l’une des infrastructures cloud les plus sécurisées et les plus sûres pour le traitement de ces données afin de mieux améliorer leurs services. Maintenant, pour les modèles formés à partir de l’interaction de l’utilisateur avec les appareils mobiles, introduise une approche supplémentaire : Federated Learning
“L’apprentissage fédéré” permet aux téléphones mobiles d’apprendre de façon collaborative un modèle de prédiction partagé tout en conservant toutes les données sur le périphérique.
Cela fonctionne comme ceci : votre appareil télécharge le modèle actuel, l’améliore en apprenant des données sur votre téléphone, puis résume les changements en tant que petite mise à jour ciblée. Seule cette mise à jour du modèle est envoyée au cloud, en utilisant une communication chiffrée, où il est immédiatement calculé en moyenne avec d’autres mises à jour pour améliorer le modèle partagé. Toutes les données restent sur votre appareil, et aucune mise à jour individuelle n’est stockée dans le cloud.
Selon Google, Federated Learning permet des modèles plus intelligents, une latence plus faible et moins de consommation d’énergie, tout en garantissant la confidentialité. Et cette approche présente un autre avantage immédiat: en plus de fournir une mise à jour du modèle partagé, le modèle amélioré sur votre téléphone peut également être utilisé immédiatement, alimentant les expériences personnalisées par la façon dont vous utilisez votre téléphone.
Exemple, avec Gboard sur Android. Lorsque Gboard affiche une requête proposée, votre téléphone stocke localement des informations sur le contexte actuel et si vous avez cliqué sur la suggestion. Processus fédérés d’apprentissage qui font l’historique de l’appareil pour proposer des améliorations à la prochaine version du modèle de suggestion de requête de Gboard.
Le déploiement de cette technologie sur des millions de téléphones hétérogènes utilisant Gboard nécessite une pile de technologie sophistiquée. Le périphérique utilise une version miniature de TensorFlow. Une planification minutieuse garantit que le travail ne se produit que lorsque l’appareil est inactif, branché et sur une connexion sans fil gratuite, de sorte qu’il n’y a aucun impact sur les performances du téléphone.