Progetti

FLaaS: Federated Learning as a Service

Innovare i modelli di Federated Learning attraverso un impegno comune

Finanziamento: ICSC Innovation Funds

Tecnologia abilitante: Advanced Modeling and Simulation, Machine Learning

Obiettivi di sviluppo sostenibile

Il Federated Learning è un paradigma di Machine Learning di particolare interesse per la ricerca, grazie alla sua capacità di addestrare un modello in modo collaborativo tra più partner senza condividere o scambiare i dati reali. Gli attuali framework richiedono competenze per essere gestiti correttamente e la maggior parte di essi crea federazioni “usa e getta”, che vengono distrutte una volta terminato il loro compito specifico. Federated Learning as a Service (FLaaS) porterà una visione innovativa alla comunità FL, consentendo ai centri di ricerca e alle industrie di gestire e sfruttare meglio i propri dati per l’addestramento di modelli ML distribuiti e in rispetto della privacy. Inoltre, FLaaS apre le porte a nuovi modelli di business basati sulla capacità delle parti di consentire l’accesso federato ai dati e alle strutture di calcolo locali. Da un lato, questo sistema migliorerebbe l’accessibilità, la scalabilità e l’uso diffuso di FL. D’altra parte, avrebbe bisogno di un’attenta progettazione per gestire la cura dei dati distribuiti, la programmazione e i problemi di sicurezza.

Centro Nazionale di Ricerca in High Performance Computing Big Data e Quantum Computing (ICSC), progetto finanziato dall’Unione Europea – NextGenerationEU – e dal Piano Nazionale Ripresa e Resilienza (PNRR) – Missione 4 Componente 2.

Obiettivi

FLaaS mira a offrire un servizio di formazione di modelli federati, che permetta agli utenti di inviare compiti di formazione attraverso una semplice interfaccia, eseguita su una piattaforma di apprendimento distribuita che include una comunità di pari che contribuiscono con i loro dati locali.

Questa piattaforma mira a dimostrare la fattibilità tecnologica e i principali vantaggi di un modello in cui le organizzazioni possono collaborare alla formazione di modelli di apprendimento automatico senza condividere direttamente i propri dati. Ciò consentirà di costruire una varietà di set di dati senza dover mettere in pericolo la privacy dei dati dei partner.

Inoltre, il sistema sarà accessibile e facile da usare, in modo che gli utenti siano in grado di impostare e iniziare l’addestramento dei modelli in modo efficiente e sicuro.

Sfida iniziale

Diverse organizzazioni stanno implementando modelli di apprendimento automatico di grandi dimensioni, ma i dati necessari per l’addestramento di tali modelli destano preoccupazione. I problemi principali sono due: da un lato, una singola organizzazione potrebbe non avere dati sufficienti per addestrare modelli di grandi dimensioni o non avere dati su casi critici. Dall’altro, anche all’interno della stessa organizzazione, i dati possono essere sensibili alle attività aziendali, impedendo di riunirli in un repository centrale per l’addestramento dei modelli.

Soluzione

L’architettura FLaaS prevede che ogni fornitore di dati partecipi eseguendo un servizio peer, registrandosi con un livello di coordinamento all’avvio e descrivendo i dati disponibili per la formazione. Il coordinamento dovrebbe gestire la disponibilità dei dati e delle risorse di ciascun peer, fornendo un’interfaccia per gli utenti per inviare compiti di addestramento e abbinando i requisiti dei compiti a un elenco di peer compatibili. Ciò avverrà nel rispetto della politica attuale in materia di dati e delle limitazioni al loro utilizzo.

Benefici

Il framework che risulterà da questo progetto ci permetterà di superare le principali sfide legate all’apprendimento federato: non sarà necessario implementare una nuova federazione da zero ogni volta che si addestra un nuovo modello. Inoltre, grazie alla collaborazione tra i partner, l’architettura consentirà di avere a disposizione dataset più ampi su cui allenarsi. Ciò avverrà nel rispetto delle policy attuali, rendendo l’uso dei dati più sicuro.

Il ruolo di IFAB

IFAB ha partecipato al progetto con un ruolo operativo, contribuendo alla gestione e al coordinamento delle attività nelle diverse fasi di sviluppo. Il coinvolgimento ha riguardato sia gli aspetti organizzativi che quelli di raccordo tra i soggetti coinvolti, assicurando la coerenza tra le attività svolte e gli obiettivi progettuali. Attraverso questo contributo, IFAB ha concorso alla corretta esecuzione del progetto e alla produzione dei risultati attesi, mettendo a disposizione le proprie competenze gestionali a supporto dell’intero processo.