📖 Définition

L'apprentissage fédéré est une technique d'entraînement de modèles d'IA où les données restent stockées localement sur les appareils de chaque participant. Plutôt que de centraliser les données, le modèle voyage vers elles et apprend de manière distribuée. Chaque participant entraîne une copie locale, puis seules les mises à jour des paramètres sont partagées. Cette approche préserve la confidentialité tout en bénéficiant d'un apprentissage collectif.

💬 En termes simples

Imaginez plusieurs hôpitaux du réseau de la santé québécois qui souhaitent améliorer un outil de diagnostic sans partager les dossiers médicaux. Chaque établissement entraîne le modèle avec ses propres données, puis envoie uniquement les apprentissages à un coordonnateur central. C'est comme si chaque hôpital contribuait à un savoir collectif tout en gardant ses dossiers sous clé.

🎯 Exemple concret

Des centres hospitaliers québécois utilisent l'apprentissage fédéré pour la détection du cancer du poumon sans qu'aucune image ne quitte l'établissement. Une coalition de caisses Desjardins déploie un modèle fédéré de détection de fraude. Des municipalités partagent un modèle d'optimisation du déneigement.

💡 Le saviez-vous ?

Google a été pionnier en utilisant cette technique dès 2017 pour Gboard, sans jamais collecter ce que les utilisateurs tapaient. Au Canada, cette approche suscite un intérêt croissant en santé car elle permet de respecter la Loi sur la protection des renseignements personnels tout en accélérant la recherche collaborative.

Navigation

Ressources

Pages