Compartilhe

*Por Patrícia Araújo de Oliveira e Kátia Adriana Cardoso

O Aprendizado Federado (AF) é uma técnica de aprendizado de máquina que permite a colaboração na construção de modelos de Inteligência Artificial (IA) sem a necessidade de compartilhamento direto de dados. Diferentemente de métodos convencionais que armazenam dados para treinamento, o AF é ideal para modelos de aprendizado parametrizado, como redes neurais, permitindo a utilização ética e segura dos dados. 

O potencial transformador do AF foi destacado por Sheller et al. (2020), especialmente na área da saúde, em que permite a utilização segura e ética de dados de pacientes para treinar modelos de IA, contribuindo assim para diagnósticos mais precisos e tratamentos personalizados. A Autoridade Europeia de Proteção de Dados (EDPS) reforçou a importância do Aprendizado Federado  em seu relatório sobre tecnologias emergentes. 

Benefícios da utilização do aprendizado federado  sob a perspectiva da Proteção de Dados 

A integração da Inteligência Artificial (IA) em sistemas e processos representa um avanço tecnológico significativo, com impactos significativos em áreas críticas como saúde, educação e segurança pública e  tornou um insumo chave em todos os setores da economia. Contudo, a ascensão da IA também levantou preocupações sobre a privacidade e proteção de dados pessoais, desencadeando a busca por soluções que equilibrem inovação e segurança dos dados. 

Nesse contexto, o AF se apresenta como uma possível solução para atingir esses objetivos, uma vez que permite que organizações diversas colaborem no desenvolvimento de modelos de IA sem compartilhar dados brutos. Essa abordagem, onde somente os parâmetros do modelo são compartilhados, mantendo os dados nos dispositivos ou servidores originais, foi demonstrada por McMahan et al. (2017) como eficaz em áreas como reconhecimento de fala e visão computacional. Assim, é possível desenvolver soluções inovadoras respeitando a privacidade dos dados dos usuários. 

 Além disso, o AF reduz a necessidade de grandes centros de dados, aumentando a eficiência e diminuindo a vulnerabilidade a ataques cibernéticos. Isso é especialmente relevante sob a Lei Geral de Proteção de Dados (LGPD) do Brasil, que estabelece diretrizes claras para o tratamento de dados pessoais e enfatiza a importância de tecnologias que assegurem a conformidade com os princípios de privacidade. 

Desafios e Perspectivas Futuras 

Apesar de seu potencial, o AF enfrenta desafios, como a eficiência na comunicação entre dispositivos, a heterogeneidade destes e dos dados, além de ainda possuir importantes desafios relacionados às questões de privacidade (Li et al., 2020). Estes são pontos críticos para futuras pesquisas visando o aprimoramento do AF. 

O AF posiciona o Brasil na vanguarda da proteção de dados, promovendo o uso ético da IA para o benefício social. Fomenta a colaboração e o compartilhamento de conhecimento, abrindo caminho para avanços em áreas essenciais, como saúde pública e pesquisa científica. 

Em resumo, o aprendizado federado é um marco na intersecção entre IA e proteção de dados, oferecendo um caminho promissor para a colaboração segura e eficaz. Conforme o Brasil e o mundo avançam na adoção de IA, o AF se apresenta como estratégia fundamental para harmonizar progresso tecnológico e privacidade, delineando um futuro onde a tecnologia e a ética caminham juntas. 

*Patrícia Araújo de Oliveira é Doutora em Ciência da Computação pela Universidade de Málaga (Espanha), Pesquisadora do Think Tank da ABES, Professora Adjunta da Universidade Federal do Amapá e assessora de TI da Agência Nacional do Cinema.
*Kátia Adriana Cardoso de Oliveira é Doutoranda em Direito, com foco em Inteligência Artificial e Proteção de Dados pelo Centro Universitário de Brasília  (CEUB/DF), Pesquisadora do Think Tank da ABES na área de privacidade e proteção de dados, advogada OAB/DF especialista em direito digital e proteção de dados e servidora pública federal. As opiniões expressas neste artigo não refletem, necessariamente, os posicionamentos da Associação.

Aviso: A opinião apresentada neste artigo é de responsabilidade de seu autor e não da ABES – Associação Brasileira das Empresas de Software

****

Referências 

  • Bonawitz, K., et al. (2017). Practical Secure Aggregation for Privacy-Preserving Machine Learning. In Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security (pp. 1175-1191). 
  • Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3), 50-60. 
  • McMahan, H. B., et al. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. In Artificial Intelligence and Statistics (pp. 1273-1282). PMLR. 
  • Neto, H. N., Mattos, D. M., & Fernandes, N. C. (2020). Privacidade do usuário em aprendizado colaborativo: Federated learning, da teoria à prática. Sociedade Brasileira de Computação. 
  • Sheller, B., Demiris, G., & Wiederhold, G. (2020). Federated Learning in Medicine: Facilitating Multi-Institutional Collaboration Without Sharing Patient Data. Scientific Bulletin, 5(1), 61-69.

acesso rápido

pt_BRPT