Federated Learning: 7 Casi d'Uso ed Esempi

Il federated learning (FL) consente ai modelli di apprendere da dati decentralizzati mantenendo private le informazioni sensibili e garantendo la conformità con le leggi sulla localizzazione e sulla privacy dei dati.

Scopri cos'è il federated learning, come funziona, casi d'uso comuni con esempi reali, potenziali sfide e le sue alternative.

Casi d'uso ed esempi di federated learning

Il federated learning supporta un'ampia gamma di sistemi di IA in cui la sensibilità dei dati, la decentralizzazione e l'adattamento in tempo reale sono critici. Viene sempre più applicato nell'IA agentica, nella finanza, nelle applicazioni mobili, nella sanità, nei trasporti autonomi, nella produzione intelligente e nella robotica, consentendo l'addestramento collaborativo dei modelli:

1. IA agentica

Il federated learning consente a ogni agente di apprendere direttamente dalle proprie interazioni o dall'ambiente. L'agente contribuisce quindi con aggiornamenti del modello che preservano la privacy a un processo di apprendimento condiviso, senza esporre dati grezzi.

Questo approccio consente agli agenti di migliorare continuamente apprendendo dall'esperienza collettiva, rispettando comunque la privacy, la proprietà dei dati e i requisiti normativi.

Di conseguenza, l'IA agentica può rimanere personalizzata e adattiva pur essendo attenta alla privacy, rendendo il federated learning particolarmente adatto a contesti sensibili in cui gli agenti devono operare in modo indipendente ma trarre comunque vantaggio dai modelli osservati tra utenti, dispositivi o organizzazioni.

Esempio reale: Framework di rilevamento intrusioni IoT che preserva la privacy

I tradizionali sistemi di rilevamento delle intrusioni centralizzati si basano sull'aggregazione di dati sensibili, il che crea sovraccarico di comunicazione, preoccupazioni per la privacy e singoli punti di guasto. Per superare queste limitazioni, lo studio "Integration of Agentic IA with Federated Learning for Privacy-Preserving IoT Intrusion Detection" propone un framework di rilevamento delle intrusioni IoT che preserva la privacy, combinando l'IA agentica con il Federated Learning (FL).

L'FL consente l'addestramento decentralizzato dei modelli, mentre l'IA agentica aggiunge capacità adattive, di autoapprendimento e decisionali autonome per rispondere alle minacce in evoluzione.

Il framework utilizza il rilevamento locale di anomalie, l'aggregazione sicura e una comunicazione leggera per bilanciare accuratezza e privacy, con componenti agentiche che ottimizzano le difese in tempo reale.¹

2. Applicazioni finanziarie

Il federated learning consente alle istituzioni finanziarie di addestrare collaborativamente modelli di IA senza condividere dati grezzi, permettendo a ciascuna organizzazione di mantenere locali le informazioni sensibili contribuendo a un modello condiviso più robusto.

Ciò è particolarmente prezioso per il rilevamento di frodi e crimini finanziari, dove le minacce si estendono su più banche e regioni, ma la condivisione dei dati è limitata da normative come il GDPR e l'EU IA Act.

Esempio reale: Il ruolo del Federated Learning nel migliorare la sicurezza finanziaria

Un recente articolo esamina il federated learning (FL) come una soluzione promettente per migliorare la sicurezza e la privacy nei moderni sistemi finanziari, in particolare poiché la finanza digitale e gli endpoint abilitati all'IoT, come gli ATM e i dispositivi POS, generano grandi volumi di dati sensibili.

L'articolo classifica i casi d'uso del FL in base all'esposizione normativa, dalle applicazioni a basso rischio come l'ottimizzazione del portafoglio a compiti ad alto rischio come il rilevamento di frodi in tempo reale, e mette in evidenza i recenti successi nella prevenzione delle frodi e nei framework integrati con blockchain.

Sebbene il FL offra chiari vantaggi in termini di privacy, conformità e scalabilità, l'articolo sottolinea anche le sfide in corso, tra cui l'eterogeneità dei dati, gli attacchi avversari, l'interpretabilità e l'integrazione normativa.²

Esempio reale: Flower con Banking Circle

La piattaforma di federated learning di Flower aiuta le istituzioni finanziarie ad addestrare collaborativamente modelli di IA su dati decentralizzati, migliorando così privacy, sicurezza, conformità e accuratezza predittiva per compiti come il rilevamento frodi, la valutazione del rischio e altre analisi.

Banking Circle, una banca di pagamenti globale che elabora una quota significativa dei flussi di eCommerce in Europa, utilizza l'IA per gestire le sue operazioni antiriciclaggio (AML) segnalando automaticamente le transazioni sospette per la revisione.

Con l'espansione negli Stati Uniti, le differenze nei modelli di transazione e i rigidi vincoli sul trasferimento dei dati limitavano l'efficacia dei modelli addestrati esclusivamente su dati europei. Per affrontare questo problema, Banking Circle ha adottato la piattaforma di federated learning di Flower, consentendo all'azienda di addestrare modelli AML tra diverse regioni senza spostare dati sensibili oltre i confini.

Questo approccio ha permesso al modello statunitense di apprendere dalle intuizioni europee rimanendo conforme localmente, con miglioramenti che si sono riversati nel sistema europeo.³

3. Applicazioni mobili

Le app mobili utilizzano sistemi di machine learning per la personalizzazione, come la predizione della parola successiva, il rilevamento dei volti e il riconoscimento vocale. Tuttavia, l'addestramento tradizionale dell'IA centralizza i dati degli utenti, sollevando preoccupazioni sulla privacy, la sicurezza e la governance dei dati. Il federated learning affronta queste sfide consentendo di addestrare i modelli su una rete di dispositivi senza trasmettere i dati grezzi degli utenti.

Ecco alcuni dei vantaggi del federated learning per le applicazioni mobili:

• IA che preserva la privacy: I dati sensibili degli utenti rimangono sul dispositivo, riducendo i rischi di esposizione dei dati pur migliorando l'accuratezza del modello.
• Modelli personalizzati e adattivi: Le app possono affinare i modelli di IA in base ai modelli di utilizzo individuali senza necessitare di costanti aggiornamenti cloud.
• Minore utilizzo di banda: Invece di caricare grandi dataset, vengono condivisi gli aggiornamenti del modello, rendendo il federated learning efficiente per le reti mobili.
• Maggiore sicurezza: Mantenendo i dati decentralizzati, il federated learning mitiga i rischi associati all'archiviazione centralizzata dei dati e alle violazioni.

Questo approccio viene utilizzato nelle tastiere degli smartphone per il testo predittivo e l'autocorrezione, negli assistenti vocali per il riconoscimento vocale e nell'autenticazione biometrica per il riconoscimento del volto e delle impronte digitali.

Esempio reale: Google e il miglioramento dei modelli vocali

Google utilizza il federated learning per migliorare i sistemi di machine learning su dispositivo, come il rilevamento "Hey Google" nell'Assistente Google, consentendo agli utenti di impartire comandi vocali. Questo approccio permette di addestrare i modelli vocali direttamente sui dispositivi degli utenti senza trasmettere dati audio ai server di Google, preservando così la privacy degli utenti.

Il federated learning migliora le capacità di riconoscimento vocale elaborando i dati localmente, garantendo che le informazioni audio personali rimangano sul dispositivo.

4. Sanità

Il federated learning apporta vantaggi alla sanità e all'assicurazione sanitaria, consentendo un potente addestramento dell'IA mantenendo privati i dati dei pazienti.

La centralizzazione tradizionale dei dati, in cui ospedali e istituzioni raggruppano le cartelle cliniche in un unico archivio, solleva notevoli preoccupazioni sulla governance dei dati, la sicurezza e la conformità a normative come HIPAA e GDPR.

Il federated learning aiuta a gestire questi problemi consentendo l'addestramento collaborativo dei modelli tra più istituzioni senza richiedere la condivisione diretta dei dati.

Questo approccio offre diversi vantaggi:

• Maggiore privacy e sicurezza: I dati sensibili dei pazienti rimangono nella loro fonte originale, riducendo i rischi di esposizione e violazione dei dati.
• Maggiore diversità dei dati: Addestrando su dataset provenienti da diversi ospedali, centri di ricerca e cartelle cliniche elettroniche, il federated learning consente ai modelli di riconoscere malattie rare e migliorare l'accuratezza diagnostica tra popolazioni diverse.
• IA medica scalabile: I modelli di machine learning possono essere continuamente affinati su dati reali provenienti da più istituzioni, portando a un'analisi predittiva più affidabile e a migliori risultati per i pazienti.

Esempio reale: Piattaforma Federata Agentica di Lifebit

Lifebit ha annunciato la Piattaforma Federata Agentica, il primo Trusted Research Environment (TRE) completamente agentico al mondo. Attualmente in beta, la piattaforma consente ai ricercatori di gestire e analizzare in modo sicuro dati biomedici sensibili attraverso un'unica interfaccia conversazionale guidata dall'IA.

Secondo Lifebit, la piattaforma semplifica flussi di lavoro di ricerca complessi, come l'armonizzazione dei dati, la creazione di coorti e le analisi bioinformatiche, permettendo agli utenti di condurre ricerche end-to-end tramite linguaggio naturale. Supporta sia strumenti interattivi che batch (ad es. R, Jupyter, Nextflow), fornisce risoluzione dei problemi e documentazione integrate e include capacità genomiche assistite dall'IA come GWAS e identificazione di target.

L'azienda posiziona la piattaforma come più sicura, verificabile e user-friendly rispetto ai TRE tradizionali, con l'obiettivo di accelerare la ricerca mantenendo una rigorosa conformità agli standard di governance dei dati federati.⁴

Esempio reale: MELLODDY

Il progetto MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) è un'iniziativa di ricerca europea finanziata dall'Innovative Medicines Initiative (IMI). Il progetto ha riunito 10 aziende farmaceutiche, partner accademici e tecnologici per dimostrare come il federated learning possa accelerare la scoperta di farmaci senza condividere dati confidenziali.

Invece di mettere in comune dataset proprietari, che le aziende considerano altamente sensibili, MELLODDY ha sviluppato una piattaforma di machine learning federato che preserva la privacy, mantenendo i dati di ciascuna azienda dietro il proprio firewall e condividendo solo gli aggiornamenti del modello, non i dati grezzi, per l'apprendimento collaborativo.

Questa piattaforma utilizza tecnologie come l'infrastruttura AWS, l'orchestrazione Kubernetes e un registro blockchain privato per garantire un addestramento dei modelli sicuro e tracciabile tra i partner, proteggendo al contempo la proprietà dei dati e i diritti di proprietà intellettuale.

Esponendo gli algoritmi di machine learning a una quantità di dati enormemente maggiore di quella di cui dispone ogni singola azienda, MELLODDY ha dimostrato un miglioramento delle prestazioni predittive e una maggiore applicabilità dei modelli per prevedere l'attività biologica e la tossicologia dei candidati farmaci.⁵

Esempio reale: Owkin

Owkin, un'azienda biotech, utilizza il federated learning per addestrare modelli di IA su più istituzioni mediche e di ricerca senza centralizzare i dati sensibili.

Invece di raccogliere tutti i dati dei pazienti in un unico luogo, l'approccio di Owkin mantiene i dati dove sono archiviati (ad es. nei server ospedalieri) e sposta gli algoritmi di machine learning verso i dati.

I modelli vengono addestrati localmente sul dataset di ciascun partner, e gli aggiornamenti del modello vengono condivisi e aggregati per costruire un modello globale. Ciò consente a ricercatori e clinici di beneficiare di un dataset più diversificato di quanto qualsiasi singola istituzione potrebbe fornire, migliorando così le prestazioni degli algoritmi predittivi pur preservando la privacy dei pazienti e la sovranità dei dati.

Owkin posiziona questa tecnica come particolarmente potente per l'IA sanitaria collaborativa (come la previsione degli esiti dei trattamenti) e come mezzo per scalare la medicina di precisione senza compromettere la privacy.⁶

Esempio reale: MedPerf

Una crescente spinta verso il federated learning nell'IA medica ha portato a iniziative come MedPerf, una piattaforma open-source sviluppata da una coalizione di partner industriali e accademici.

MedPerf si concentra sulla valutazione federata dei modelli di IA, garantendo che funzionino efficacemente su dati medici diversificati e reali, mantenendo la riservatezza dei pazienti. Combinando innovazioni tecniche nel federated learning con framework di governance che stabiliscono benchmark clinicamente rilevanti, queste iniziative mirano a promuovere l'adozione dell'IA nella sanità senza compromettere la fiducia o la sicurezza.

Figura 2: Un esempio di federated learning nella sanità dal framework di benchmarking federato per l'IA MedPerf.⁷

5. Trasporti: Veicoli autonomi

La visione artificiale consente alle auto a guida autonoma di rilevare ostacoli, mentre i modelli di apprendimento adattivo aiutano a regolare il comportamento di guida in base a condizioni come il traffico o il terreno accidentato.

Tuttavia, gli approcci tradizionali basati su cloud possono introdurre latenza e rappresentare rischi per la sicurezza, in particolare in scenari di traffico ad alta densità dove decisioni in frazioni di secondo sono critiche.

Il federated learning offre una soluzione decentralizzando l'elaborazione dei dati e consentendo l'apprendimento in tempo reale su più veicoli. Invece di affidarsi esclusivamente agli aggiornamenti cloud, i veicoli autonomi possono addestrare collaborativamente i modelli mantenendo i dati localizzati. Questo approccio garantisce che i veicoli affinino continuamente il loro processo decisionale sulla base delle condizioni stradali più recenti, senza un eccessivo trasferimento di dati.

Sfruttando il federated learning, le auto a guida autonoma possono raggiungere tre obiettivi chiave:

• Consapevolezza del traffico e della strada in tempo reale: I veicoli possono elaborare e condividere rapidamente informazioni sui pericoli stradali, le zone di costruzione o i cambiamenti meteorologici improvvisi, garantendo una navigazione più sicura.
• Processo decisionale immediato: L'IA a bordo può reagire più velocemente alle condizioni di guida dinamiche, riducendo la dipendenza da server remoti e minimizzando la latenza nei momenti critici.
• Miglioramento continuo del modello: Man mano che più veicoli contribuiscono con i loro apprendimenti localizzati, i sistemi autonomi si evolvono e migliorano la loro accuratezza predittiva.

Integrando il federated learning, i veicoli autonomi possono migliorare la loro reattività immediata, creando al contempo un'intelligenza collettiva che migliora la sicurezza e l'efficienza complessive dei sistemi a guida autonoma.

Esempio reale: NVIDIA FLARE

La piattaforma AV Federated Learning di NVIDIA, basata su NVIDIA FLARE, consente di addestrare collaborativamente modelli per veicoli autonomi (AV) tra diversi paesi, preservando la privacy dei dati e rispettando le normative regionali come GDPR e PIPL.

Invece di un addestramento centralizzato, che può essere costoso e limitato dalle leggi sul trasferimento dei dati, il federated learning permette di addestrare i modelli localmente su dati specifici del paese, migliorando le prestazioni del modello globale.

La piattaforma si integra con i sistemi di machine learning esistenti e opera con un server centrale su AWS in Giappone, supportando l'addestramento transfrontaliero. Dal lancio, ha prodotto oltre una dozzina di modelli AV, con prestazioni pari o superiori a quelle dei modelli addestrati localmente, e l'adozione è cresciuta da 2 a 30 data scientist in un anno.⁸

6. Produzione intelligente: Manutenzione predittiva

Con l'avanzare dell'Industria 4.0, la manutenzione predittiva basata sull'IA aiuta i produttori a ridurre i tempi di inattività, estendere la vita utile delle apparecchiature e aumentare l'efficienza. Tuttavia, la sua implementazione presenta sfide, tra cui la privacy dei dati, la sicurezza e le restrizioni sulla condivisione transfrontaliera.

Il federated learning affronta questi problemi consentendo ai produttori di sviluppare modelli di manutenzione predittiva senza trasferire dati industriali sensibili. Invece di aggregare informazioni da più stabilimenti o clienti in un archivio centrale, il federated learning permette a ciascun sito di addestrare modelli localmente. Questi modelli contribuiscono quindi con approfondimenti a un sistema predittivo globale senza esporre dati proprietari.

I principali vantaggi del federated learning per la manutenzione predittiva includono:

• IA che preserva la privacy: I dati industriali rimangono in loco, eliminando le preoccupazioni sulla condivisione di dati operativi proprietari o sensibili con entità esterne.
• Conformità transfrontaliera: Molti produttori operano in più paesi, ciascuno con diverse normative sulla protezione dei dati. Il federated learning consente la conformità mantenendo i dati localizzati, beneficiando comunque dell'intelligenza collettiva.
• Adattabilità a diverse apparecchiature e condizioni: Gli ambienti di produzione variano ampiamente in base a macchinari, carico di lavoro e impostazioni operative. Il federated learning consente di adattare i modelli predittivi alle condizioni locali, contribuendo al contempo a una comprensione più ampia dei modelli di guasto delle apparecchiature.

7. Robotica

Il federated learning consente ai robot di migliorare i loro modelli in modo collaborativo, mantenendo i dati localizzati. Questo approccio decentralizzato è particolarmente utile per la navigazione multi-robot, dove le limitazioni di larghezza di banda della comunicazione possono rappresentare una sfida.

Invece di fare affidamento sulla trasmissione costante di dati a un server centrale, il federated learning permette ai robot di addestrarsi sulle loro esperienze locali e condividere gli aggiornamenti essenziali del modello, ottimizzando l'efficienza dell'apprendimento senza sovraccaricare le risorse di rete.

Ecco i principali vantaggi del federated learning nella robotica:

• Apprendimento decentralizzato per una maggiore autonomia: I robot possono affinare localmente i loro modelli di percezione e controllo, riducendo la dipendenza dagli aggiornamenti cloud e consentendo un adattamento più rapido a nuovi ambienti.
• Collaborazione multi-robot efficiente: Gruppi di robot possono scambiarsi esperienze apprese senza un eccessivo trasferimento di dati, rendendo il federated learning ideale per la gestione di flotte, l'automazione dei magazzini e la robotica a sciame.
• Maggiore privacy e sicurezza: I dati operativi sensibili rimangono all'interno di ciascun sistema robotico, mitigando le preoccupazioni sull'esposizione dei dati in applicazioni industriali o militari.
• Scalabilità in ambienti diversi: I robot che operano in luoghi diversi, come fabbriche, ospedali o aree urbane, possono contribuire con approfondimenti a un modello globale pur adattandosi ai loro ambienti specifici.

Esempio reale: Federated Reinforcement Learning per la Navigazione Collettiva di Sciami Robotici

Sebbene la progettazione di controller basati su Deep Reinforcement Learning (DRL) si sia dimostrata efficace, la sua dipendenza da un server di addestramento centrale pone sfide in ambienti reali con comunicazione instabile o limitata.

Per affrontare questo problema, l'articolo Federated Reinforcement Learning for Collective Navigation of Robotic Swarms ha introdotto FLDDPG, una nuova strategia di addestramento DRL basata su Federated Learning (FL) pensata per la robotica a sciame.

Valutazioni comparative in condizioni di larghezza di banda di comunicazione limitata dimostrano che FLDDPG offre una migliore generalizzazione in ambienti diversi e su robot reali, mentre i metodi di base faticano in presenza di vincoli di banda.

I risultati suggeriscono che il federated learning migliora la navigazione multi-robot in ambienti con larghezza di banda di comunicazione limitata, affrontando una sfida chiave nelle applicazioni robotiche basate sull'apprendimento nel mondo reale.⁹

Cos'è il federated learning?

Il federated learning è un paradigma di machine learning collaborativo in cui più partecipanti addestrano modelli utilizzando dati locali e condividono aggiornamenti del modello o informazioni calcolate, mentre i dati grezzi rimangono in loco. La maggior parte dei sistemi FL pratici utilizza ancora un aggregatore centrale per orchestrare i round di addestramento.

Invece di trasferire dati di addestramento grezzi, i partecipanti inviano aggiornamenti del modello o gradienti per l'aggregazione. Tuttavia, la sola condivisione degli aggiornamenti non garantisce la privacy senza tecniche aggiuntive come l'aggregazione sicura, la privacy differenziale o protezioni crittografiche.

Mantenendo i dati di addestramento locali e aggregando le intuizioni, il federated learning migliora la privacy dei dati, sfruttando comunque i dati distribuiti per migliorare l'accuratezza del modello.

Come funziona il federated learning?

Nel machine learning, ci sono due fasi: addestramento e inferenza.

Durante la fase di addestramento:

1. I modelli locali di machine learning (ML) vengono addestrati su dataset eterogenei locali. Ad esempio, quando gli utenti utilizzano un'applicazione di machine learning, individuano errori nelle previsioni dell'applicazione e li correggono. Ciò crea dataset di addestramento locali su ciascun dispositivo.
2. I parametri dei modelli vengono scambiati periodicamente tra questi centri dati locali. In molti modelli, questi parametri vengono crittografati prima dello scambio. I campioni di dati locali non vengono condivisi. Ciò migliora la protezione dei dati e la cybersecurity.
3. Viene costruito un modello globale condiviso.
4. Le caratteristiche del modello globale vengono condivise con i centri dati locali per integrare il modello globale nei loro modelli ML locali.

Ad esempio, la soluzione Clara di Nvidia include il federated learning. Clara e Nvidia EGX consentono l'apprendimento attraverso la raccolta sicura degli aggiornamenti del modello (ma non dei dati di addestramento) da diversi siti. Ciò aiuta i modelli a creare un modello globale preservando la privacy dei dati (vedi Figura sotto).

Figura 1: Un esempio di NVIDIA che mostra come funziona il federated learning.¹⁰

Nella fase di inferenza, il modello è memorizzato sul dispositivo dell'utente, quindi le previsioni vengono preparate rapidamente utilizzando il modello sul dispositivo.

Addestramento distribuito nel federated learning

Il federated learning e l'addestramento distribuito sono concetti distinti: il federated learning si riferisce all'addestramento collaborativo con dati decentralizzati, mentre l'addestramento distribuito (calcolo parallelo su nodi all'interno di un partecipante) è una strategia di ottimizzazione locale e non è intrinseco al FL.

Nel federated learning, i client, come ospedali, dispositivi mobili o organizzazioni, addestrano i modelli in modo indipendente sui propri dati locali e condividono gli aggiornamenti del modello con un aggregatore centrale.

Alcuni client possono avere accesso a più GPU, server o nodi edge. Queste risorse possono essere utilizzate in parallelo per accelerare o scalare l'addestramento locale. Questa configurazione crea una gerarchia:

• Al livello superiore, più client partecipano al federated learning.
• A livello locale, ciascun client può utilizzare l'addestramento distribuito sulla propria infrastruttura disponibile.

L'addestramento distribuito locale può seguire:

• Parallelismo dei dati: Ogni worker detiene una replica del modello e si addestra su un sottoinsieme dei dati locali.
• Parallelismo del modello: Il modello è partizionato tra i worker, il che è utile per modelli grandi che non entrano nella memoria di un singolo dispositivo.

Principali vantaggi della combinazione dell'addestramento distribuito con il federated learning

1. Maggiore scalabilità

I client con grandi dataset o modelli computazionalmente intensivi potrebbero avere difficoltà a completare l'addestramento in modo efficiente su una singola macchina.

L'addestramento distribuito consente al client di utilizzare più nodi o dispositivi, migliorando così il throughput e supportando carichi di lavoro più grandi.

2. Utilizzo efficiente delle risorse

Le organizzazioni dispongono spesso di cluster locali o risorse di calcolo inattive. L'uso dell'addestramento distribuito all'interno del federated learning consente loro di utilizzare appieno queste risorse senza centralizzazione dei dati.

3. Addestramento locale più rapido

La distribuzione del calcolo riduce il tempo di esecuzione per gli aggiornamenti del modello locale. Ciò può abbreviare ogni round di federated learning e ridurre il tempo complessivo di addestramento tra i client.

4. Separazione delle competenze

L'addestramento federato e l'addestramento distribuito locale operano indipendentemente l'uno dall'altro. Il server federato non ha bisogno di gestire la schedulazione interna o il coordinamento delle risorse dei client. Questo design modulare semplifica sia il deployment che la manutenzione.

5. Progettazione flessibile del sistema

Client diversi possono scegliere diverse configurazioni di addestramento locale in base ai loro ambienti di calcolo. Alcuni possono utilizzare l'addestramento su nodo singolo, mentre altri usano configurazioni distribuite. Il protocollo federato rimane invariato.

Sfide del federated learning

Requisiti di investimento

I modelli di federated learning possono richiedere comunicazioni frequenti tra i nodi. Ciò significa che la capacità di archiviazione e l'elevata larghezza di banda sono tra i requisiti di sistema.

Privacy dei dati nel federated learning

• La privacy dei dati è una questione importante perché i dati non sono archiviati su un'unica entità/server nel federated learning; più dispositivi li raccolgono e li analizzano. Ciò può aumentare la superficie d'attacco.
• Anche se vengono comunicati al server centrale i modelli e non i dati grezzi, i modelli possono potenzialmente essere sottoposti a reverse engineering per identificare i dati del client.

Limitazioni delle prestazioni

• Eterogeneità dei dati: I modelli provenienti da dispositivi diversi vengono uniti per costruire un modello migliore nel federated learning. Le caratteristiche specifiche del dispositivo possono limitare la generalizzazione dei modelli da alcuni dispositivi e possono ridurre l'accuratezza della versione successiva del modello.
• Perdita indiretta di informazioni: I ricercatori hanno considerato situazioni in cui uno dei membri della federazione può attaccare maliziosamente gli altri inserendo backdoor nascoste nel modello globale congiunto.
• Il federated learning è una procedura di machine learning relativamente nuova. Sono necessari nuovi studi e ricerche per migliorarne le prestazioni.

Centralizzazione

Esiste ancora un certo grado di centralizzazione nel federated learning, dove un modello centrale utilizza l'output di altri dispositivi per costruire un nuovo modello. I ricercatori propongono di utilizzare il federated learning con blockchain (BlockFL) e altri approcci per costruire modelli di federated learning a fiducia zero.

Scopri altri nostri benchmark e approfondimenti basati sui dati nella Ricerca Google.

Aggiungi come fonte preferita

Quali sono le alternative al federated learning?

Sebbene il federated learning offra vantaggi per la privacy, sono stati sviluppati diversi approcci e framework alternativi per affrontare le sue limitazioni e adattarsi a vari scenari. Ecco alcune alternative:

Flower

Flower è un framework open-source per la creazione di sistemi di IA federati. Fornisce l'infrastruttura necessaria per addestrare, valutare e distribuire modelli su client decentralizzati senza spostare i dati grezzi in un archivio centrale.

Il framework è una piattaforma di sviluppo che aiuta le organizzazioni a implementare il federated learning, l'analisi e la valutazione in ambienti diversi.

Caratteristiche principali:

• Supporta il federated learning su client distribuiti, inclusi dispositivi mobili, sistemi edge, server e silos di dati istituzionali.
• Funziona con più framework di machine learning, tra cui PyTorch, TensorFlow, Hugging Face Transformers, scikit-learn, JAX e XGBoost.
• Consente agli sviluppatori di personalizzare le strategie di aggregazione, i protocolli di comunicazione e le configurazioni client-server.
• Può essere utilizzato per esperimenti di ricerca e per implementazioni reali di IA federata.

Vantaggi:

• Riduce la necessità di centralizzare i dati di addestramento sensibili.
• Offre flessibilità per le organizzazioni che utilizzano diversi stack di machine learning.
• Supporta la sperimentazione con diverse strategie di federated learning e configurazioni che preservano la privacy.
• Aiuta a scalare i sistemi di IA federata su client e ambienti eterogenei.

Limitazioni:

• Flower non elimina da solo tutti i rischi per la privacy; potrebbero essere ancora necessarie tecniche aggiuntive, come l'aggregazione sicura o la privacy differenziale.
• L'implementazione può essere complessa per le organizzazioni senza competenze nel federated learning.
• Le prestazioni dipendono dalla disponibilità del client, dall'affidabilità della comunicazione e dall'eterogeneità dei dati.
• Le implementazioni su larga scala possono richiedere un'attenta pianificazione e monitoraggio dell'infrastruttura.

Flower è adatto ai team che desiderano costruire o testare sistemi di federated learning senza dover sviluppare da zero l'intero livello di orchestrazione. È particolarmente rilevante per i casi d'uso in cui i dati devono rimanere distribuiti tra dispositivi, istituzioni o regioni, pur contribuendo a un modello di IA condiviso.¹¹

Machine learning centralizzato o tradizionale

In un sistema di machine learning centralizzato, tutti i dati provenienti da fonti diverse vengono raccolti e archiviati in un'unica posizione, come un server cloud o un data center aziendale. Il modello viene quindi addestrato utilizzando questo dataset combinato.

Caratteristiche principali:

• Il modello ha accesso diretto a tutti i dati disponibili.
• La preelaborazione dei dati e l'addestramento del modello avvengono su un server centrale.
• I client o i proprietari dei dati trasferiscono i loro dati al sistema centrale per l'analisi.

Vantaggi:

• Il processo di addestramento è più semplice da gestire e monitorare.
• La coerenza dei dati è facilmente mantenuta perché tutti i record sono in un unico posto.
• Le prestazioni del modello possono beneficiare dell'accesso completo a tutte le variazioni dei dati.

Limitazioni:

• Possono sorgere problemi di privacy e conformità quando il trasferimento dei dati è limitato dalla legge o dalle politiche aziendali.
• Un singolo punto di guasto può mandare in tilt l'intero sistema se il server subisce un'interruzione o una violazione della sicurezza.
• Il trasferimento di grandi dataset può aumentare l'utilizzo della larghezza di banda e i costi di elaborazione.

Questo approccio è più adatto quando la privacy non è una preoccupazione significativa e tutti i dati possono essere centralizzati in sicurezza senza conflitti normativi.

Calcolo multi-parte sicuro

Il calcolo multi-parte sicuro (SMPC) è una tecnica crittografica che consente a più parti di calcolare una funzione condivisa senza rivelare i loro dataset individuali. Ogni partecipante crittografa i propri dati e il calcolo procede in modo da mostrare l'output finale del modello.

Caratteristiche principali:

• Le parti collaborano per addestrare un modello mantenendo privati i dati grezzi.
• Tecniche crittografiche come la condivisione di segreti e la crittografia omomorfica sono comunemente utilizzate.
• Nessun singolo partecipante ha accesso al dataset completo.

Vantaggi:

• Protegge i dati sensibili durante l'intero processo di addestramento.
• Consente alle organizzazioni di cooperare allo sviluppo di modelli anche quando i dati non possono essere condivisi.
• Migliora la conformità con le normative sulla privacy, come il GDPR.

Limitazioni:

• I requisiti computazionali sono elevati a causa delle operazioni crittografiche.
• La comunicazione tra le parti può essere lenta, il che può influire sulla scalabilità.
• La complessità dell'implementazione aumenta con il numero di partecipanti.

L'SMPC è appropriato in situazioni in cui esistono forti requisiti di privacy ed è disponibile un'infrastruttura di calcolo sicura.

Privacy differenziale

La privacy differenziale (DP) garantisce che nessun singolo punto dati in un dataset possa essere distinto o dedotto dopo l'analisi. Ciò si ottiene introducendo casualità controllata, spesso sotto forma di rumore, nei dati di addestramento o negli aggiornamenti del modello.

Caratteristiche principali:

• La privacy è quantificata matematicamente utilizzando un parametro chiamato epsilon (ε).
• Il metodo protegge i contributi dei dati degli individui anche quando il dataset complessivo viene condiviso.
• Può essere applicato sia a sistemi centralizzati che distribuiti.

Vantaggi:

• Offre un livello misurabile di protezione della privacy.
• Può essere combinato con altre tecniche di apprendimento, come il federated learning.
• Limita il rischio di re-identificazione dei dati.

Limitazioni:

• Un rumore eccessivo può ridurre l'accuratezza del modello.
• La scelta del budget di privacy corretto (ε) richiede un'attenta regolazione.
• Di per sé, non affronta il coordinamento distribuito o il calcolo.

La privacy differenziale è adatta alle organizzazioni che necessitano di un equilibrio tra utilità dei dati e protezione della privacy.

Apprendimento gossip o peer-to-peer

L'apprendimento gossip, noto anche come apprendimento peer-to-peer, elimina la necessità di un server centrale. Ogni nodo o client addestra un modello locale e condivide gli aggiornamenti direttamente con i nodi vicini. Questi aggiornamenti si diffondono attraverso la rete e i modelli convergono.

Caratteristiche principali:

• I nodi comunicano localmente con i peer anziché con un aggregatore centrale.
• I parametri o i gradienti del modello vengono scambiati in modo decentralizzato.
• L'apprendimento avviene in modo asincrono attraverso la rete.

Vantaggi:

• Nessun singolo punto di guasto poiché non esiste un coordinatore centrale.
• Può funzionare efficacemente in reti dinamiche, come gli ambienti IoT o edge.
• Riduce la dipendenza da un'entità centrale fidata.

Limitazioni:

• Il sovraccarico di comunicazione può aumentare a causa degli scambi casuali tra peer.
• La convergenza può essere più lenta rispetto all'aggregazione centralizzata.
• Il monitoraggio e il controllo sono più difficili nei sistemi completamente decentralizzati.

Questo approccio è efficace per i sistemi distribuiti in cui un server centrale non può essere mantenuto o non è affidabile.

Apprendimento frazionato

L'apprendimento frazionato divide un modello di machine learning in due o più segmenti. Il primo segmento viene addestrato sul dispositivo client utilizzando dati locali, e il suo output (attivazioni) viene inviato a un server, che completa l'addestramento rimanente.

Caratteristiche principali:

• Il modello è partizionato tra i client e un server centrale.
• I client non condividono mai dati grezzi; vengono trasmessi output intermedi.
• Il sistema richiede coordinamento tra client e server durante l'addestramento.

Vantaggi:

• Riduce le richieste computazionali sui client addestrando parte del modello.
• Fornisce un certo grado di privacy dei dati poiché i dati grezzi rimangono locali.
• Può integrarsi con l'infrastruttura cloud esistente.

Limitazioni:

• Le attivazioni intermedie possono ancora rivelare alcune informazioni sui dati se intercettate.
• Richiede una comunicazione stabile tra client e server.
• La complessità dell'implementazione aumenta per modelli profondi o multistrato.

L'apprendimento frazionato è adatto ad ambienti con risorse client limitate o quando i vincoli di privacy impediscono la piena condivisione dei dati.

Apprendimento per trasferimento e distillazione del modello

L'apprendimento per trasferimento e la distillazione del modello consentono la collaborazione senza condivisione diretta dei dati. Ogni organizzazione o dispositivo addestra il proprio modello localmente, quindi un modello centrale apprende dagli output o dalle previsioni di questi modelli individuali piuttosto che dai loro parametri interni.

Caratteristiche principali:

• La conoscenza viene trasferita attraverso le previsioni, non attraverso i pesi completi del modello.
• Il modello globale viene affinato utilizzando l'esperienza collettiva di tutti i partecipanti.
• I modelli locali rimangono indipendenti e possono continuare a specializzarsi.

Vantaggi:

• Riduce il volume di comunicazione condividendo informazioni distillate.
• Consente flessibilità nelle architetture dei modelli tra i partecipanti.
• Può raggiungere prestazioni ragionevoli anche con fonti di dati eterogenee.

Limitazioni:

• Si verifica una certa perdita di informazioni durante il processo di distillazione.
• La qualità del modello globale dipende dall'accuratezza dei modelli locali.
• Manca della sincronizzazione coordinata del federated learning.

Questo metodo è pratico quando i dati dei client sono molto diversificati o quando i client utilizzano tipi di modelli diversi.

Architetture ibride o combinate

I sistemi ibridi fondono elementi di diversi metodi di preservazione della privacy per affrontare sfide specifiche. Esempi includono il federated learning combinato con la privacy differenziale, il calcolo multi-parte sicuro, o architetture gerarchiche in cui aggregatori regionali comunicano con un server centrale.

Caratteristiche principali:

• Diversi livelli o moduli del sistema utilizzano tecniche di privacy diverse.
• Possono includere aggregazione regionale o a livelli per la scalabilità.
• Spesso su misura per soddisfare requisiti normativi e prestazionali.

Vantaggi:

• Offre flessibilità nel bilanciare privacy, accuratezza e costo computazionale.
• Può gestire fonti di dati su larga scala o geograficamente distribuite.
• Consente alle organizzazioni di personalizzare le architetture per vincoli specifici.

Limitazioni:

• L'implementazione è complessa a causa delle interazioni tra più componenti.
• La manutenzione e il debug del sistema richiedono competenze avanzate.
• I protocolli di comunicazione possono diventare intricati e ad alta intensità di risorse.

Gli approcci ibridi sono pratici per le grandi organizzazioni che devono gestire più dataset in condizioni legali e tecniche variabili.

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Federated Learning: 7 Casi d'Uso ed Esempi}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/federated-learning}},
  note   = {AIMultiple. Consultato il 11 Giugno 2026}
}

Collegamenti di riferimento

1.

ResearchGate - Temporarily Unavailable

2.

https://arxiv.org/pdf/2510.14991

3.

Federated AI in Finance

4.

Lifebit Launches the World’s First Agentic Federated

Lifebit

5.

MELLODDY | IHI Innovative Health Initiative

6.

What is federated learning? | Owkin

Owkin

7.

Announcing MedPerf Open Benchmarking Platform for Medical AI - MLCommons

8.

Federated Learning in Autonomous Vehicles Using Cross-Border Training | NVIDIA Technical Blog

NVIDIA Developer

9.

[2202.01141] Federated Reinforcement Learning for Collective Navigation of Robotic Swarms

10.

Federated Learning powered by NVIDIA Clara | NVIDIA Technical Blog

NVIDIA Developer

11.

GitHub - flwrlabs/flower: Flower: A Friendly Federated AI Framework · GitHub

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple specializzata in email marketing e video di vendita. In precedenza ha lavorato come recruiter in società di project management e consulenza. Sıla possiede una Laurea Magistrale in Psicologia Sociale e una Laurea triennale in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento