Obiettivi
Validare in ambiente sandbox un’architettura distribuita di AI che integri Edge AI, Federated Learning e crittografia omomorfica, raggiungendo un TRL 4. In dettaglio:
- definire requisiti, scenario applicativo e specifiche hardware del dispositivo edge;
- sviluppare la piattaforma di Federated Learning lato edge e lato cloud;
- integrare uno schema di crittografia omomorfica per la cifratura dei pesi;
- integrare e testare la soluzione su hardware reale SECO;
- verificare le metriche di performance (convergenza del modello, tempi di training/aggregazione, overhead crittografico);
- documentare la soluzione in vista di future industrializzazioni in settori regolamentati.
Sfida iniziale
Il progetto nasce dalla crescente necessità, in settori regolamentati (sanità, fintech, industria, PA), di soluzioni di AI efficaci ma intrinsecamente sicure, rispettose della privacy e pienamente conformi al quadro normativo europeo (GDPR e AI Act). Le architetture AI tradizionali, basate sulla centralizzazione dei dati, non sono adeguate per dati ad alta sensibilità: anche il Federated Learning da solo non è sufficiente, perché i pesi dei modelli scambiati con il cloud possono esporre informazioni sui dati di training. Manca una soluzione end-to-end privacy-by-design, replicabile e validata.
Soluzione
La soluzione pensata e sviluppata nell’ambito del progetto coinvolge un’architettura federata e sicura per l’elaborazione distribuita di AI su nodi edge. I dati sensibili restano confinati sul dispositivo edge (Edge AI); i modelli vengono addestrati in modo collaborativo tramite Federated Learning senza condivisione dei dati grezzi; i pesi dei modelli locali vengono cifrati con crittografia omomorfica prima di essere inviati al cloud, che esegue l’aggregazione direttamente sui dati cifrati.
Una decifratura controllata finale permette la verifica e la ridistribuzione del modello aggiornato ai nodi. L’approccio è privacy-by-design, conforme a GDPR e AI Act, e basato su tecnologie open source.
Benefici
I benefici attesi dal progetto si sviluppano su più livelli, dalla sicurezza dei dati alla sostenibilità:
- Privacy end-to-end dei dati sensibili (sia dei dati grezzi sia delle informazioni deducibili dai pesi del modello)
- Piena conformità a GDPR e AI Act
- Riduzione del traffico dati verso il cloud (>90% rispetto a soluzioni centralizzate)
- Efficienza energetica grazie all’esecuzione su dispositivi edge a basso consumo
- Scalabilità e replicabilità in settori regolamentati (sanità, industria 4.0, fintech, PA)
- Abilitazione di nuovi modelli di business AI privacy-preserving
- Rafforzamento della sovranità del dato e della fiducia pubblica nell’AI
Il ruolo di IFAB
IFAB ha ricoperto un duplice ruolo nel progetto: ente finanziatore e coordinatore operativo. In qualità di finanziatore, ha selezionato il progetto nell’ambito delle proprie linee di investimento in ricerca, innovazione e trasferimento tecnologico, riconoscendone il valore scientifico e applicativo e rendendo possibile lo sviluppo delle attività condotte dai partner tecnici.
Sul piano del coordinamento, IFAB ha gestito la rendicontazione e il monitoraggio del budget, supervisionato i rapporti con i partner, organizzato e condotto le riunioni operative e curato il monitoraggio degli stati di avanzamento e la raccolta dei risultati. Una partecipazione a tutto tondo che conferma la missione di IFAB come acceleratore di iniziative ad alto impatto per il territorio e il sistema produttivo.
Per informazioni rivolgersi a: projects@ifabfoundation.org
