Imaginez plusieurs hôpitaux qui veulent entraîner ensemble un même modèle de diagnostic, mais sans jamais s'échanger le moindre dossier patient. C'est exactement la promesse de l'apprentissage fédéré (federated learning) : au lieu d'amener les données vers le modèle, on amène le modèle vers les données. Le modèle voyage, les données restent chez elles.
Comment ça fonctionne
Le principe repose sur un cycle répété, orchestré par un serveur central et des dizaines, milliers ou millions de clients (téléphones, hôpitaux, banques) :
- Le serveur envoie le modèle global actuel à chaque client.
- Chaque client l'entraîne localement sur ses propres données.
- Les clients ne renvoient que les mises à jour des poids (les gradients), jamais les données brutes.
- Le serveur agrège ces mises à jour pour produire une nouvelle version globale.
L'algorithme canonique, FedAvg, calcule une moyenne pondérée par le nombre d'exemples $n_k$ de chaque client :
$$ w_{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} \, w_t^k $$
Centralisé ou fédéré ?
| Critère | Apprentissage centralisé | Apprentissage fédéré |
|---|---|---|
| Localisation des données | Serveur unique | Restent chez le client |
| Confidentialité | Faible | Élevée |
| Coût réseau | Transfert massif de données | Transfert de modèles seulement |
| Difficulté | Simple | Données non-IID, clients hétérogènes |
Où le rencontre-t-on
- Le clavier prédictif de votre téléphone, sans envoyer vos messages.
- La santé, où les données patient ne peuvent quitter l'établissement.
- La banque et l'assurance, soumises à des contraintes réglementaires fortes.
L'apprentissage fédéré déplace l'apprentissage, pas les données — un pilier pour concilier intelligence collective et vie privée.