La toma de decisiones basada en datos impulsada por algoritmos de Machine Learning (ML) está cambiando la forma en que funcionan la sociedad y la economía, con un profundo impacto positivo en nuestra vida diaria. Para que estas soluciones sean efectivas, los datos a menudo deben procesarse cerca del usuario final y dichos datos pueden ser privados y confidenciales.
El aprendizaje distribuido y, en particular, el federado (FL) emerge como un paradigma líder dentro de la rama ML que satisface estas dos propiedades. El aprendizaje federado ha crecido en paralelo con la expansión de la nube hacia el borde (CloudEdge) pero, curiosamente, los dos se han desarrollado en su mayoría de forma independiente, a pesar de su paralelismo natural. En MLEDGE (Cloud and Edge Machine Learning), IMDEA Networks trabajará, con el Dr. Nikolaos Laoutaris como investigador principal, para revertir esta tendencia mediante la implementación de FL como una capa intersectorial independiente pero optimizada sobre Cloud Edge, con datos del mundo real. aplicaciones y datos para demostrar que esta sinergia puede generar grandes beneficios para todos.
Se estima que la economía de datos alcanzará un impacto de 827 000 millones de euros para los 27 países de la UE en 2025 (1)*. Por lo tanto, el objetivo es permitir un ecosistema próspero de servicios FL seguros y eficientes en el perímetrocapaz de facilitar el uso de datos confidenciales personales y B2B para entrenar modelos de aprendizaje automático (para usuarios finales individuales u organizaciones administrativamente independientes que colaboran bajo diferentes supuestos de confianza, de total a cero, y cualquier nivel intermedio).
Eficiencia, sostenibilidad y seguridad
Como lo destaca Elisa Cabañainvestigador postdoctoral en IMDEA Networks: “El proyecto aporta investigación, entre otras áreas, en aprendizaje federado como servicio (FLaaS), procesamiento Cloud Edge, uso eficiente de FL en nubes híbridas y protección contra ataques, protección de datos sensibles o confidenciales que se intercambian, gestión de desafíos de portabilidad de datos en el perímetro, etc.”. En este contexto, el equipo diseñará un marco de desarrollo y componentes que ayuden a popularizar este tipo de servicios, así como soluciones contra ataques de envenenamiento o inferencia lanzados desde servidores perimetrales rebeldes y/o nodos de agregación “honestos pero curiosos”. Incluye la creación de una ‘marca de agua’ para proteger contra la redistribución de datos o metadatos intercambiados entre servidores en el borde bajo FLaaS.
Otros aspectos destacados serán, como resume Cabana, “Crear una capa de lógica comercial y económica que implemente una distribución justa de costos e ingresos entre las partes al colaborar en la capacitación del modelo ML y respaldar DevOps (un conjunto de prácticas que unen el desarrollo de software y TI). operaciones Su objetivo es acelerar el ciclo de vida del desarrollo de software y proporcionar una entrega continua de alta calidad) y el desarrollo continuo de servicios de aprendizaje automático en la nube, optimizando los costos mediante el monitoreo, la predicción y la asignación inteligente y eficiente de energía de los trabajos computacionales”. La investigación contribuirá además a diseñar, implementar y hacer públicos demostradores que trabajen con datos sensibles de individuos y alimenten modelos útiles en áreas de la economía tradicional y digital como FinTech, identidad, salud, transporte, control de acceso, etc.
Transferencia de tecnología a la sociedad
La innovación del proyecto desarrollará, en un contexto internacional, condiciones de mercado favorables para el uso del aprendizaje federado en la nube y en arquitecturas de datos federados, como, por ejemplo, las definidas por instituciones como IDSA o Gaia-X, con innovaciones de gran interés para abordar importantes problemas económicos, empresariales y sociales vinculados a la existencia de silos en el almacenamiento y explotación de datos en la economía. “MLEDGE hará que la tecnología avanzada de aprendizaje federado sea accesible para más organizaciones e individuosincluidas las pymes y las agencias gubernamentales, y favorecerá la creación de negocios sostenibles para todos los actores de la cadena de valor (expertos/proveedores de aprendizaje automático, proveedores de servicios de datos y nube, industria tradicional y digital, sector público y academia, etc.)”, dice Nikolaos Laoutaris, profesor de investigación en IMDEA Networks e investigador principal del proyecto en el instituto.
El proyecto será fundamental para el desarrollo de las infraestructuras Cloud y ML/FL en España y para el fomento de la I+D+i nacional. Contribuirá a los Objetivos de Desarrollo Sostenible fijados por Naciones Unidas para 2030 y promoverá el desarrollo sostenible de redes eficientes y soluciones FL a través del trabajo práctico que puede impactar de manera sustancial y positiva en el medio ambiente. En cuanto a las soluciones tecnológicas, se pueden destacar las siguientes:
- Economía tradicional (construcción, finanzas, salud, etc.). El caso de uso será desarrollado por una empresa para mejorar los procesos o la toma de decisiones (por ejemplo, en tiempo real) con base en datos o modelos provenientes de FL.
- economía digital. Un ejemplo podría estar en el campo de la salud digital, como la explotación de información de dispositivos móviles o tecnologías portátiles. Otra sería la formación de modelos publicitarios digitales.
- Optimización de infraestructuras CloudEdge. Una funcionalidad clave para MLEDGE, que utilizará algoritmos de aprendizaje automático entrenados de forma federada.
MLEDGE (Cloud and Edge Machine Learning) cuenta con financiamiento (enero 2023-junio 2025) del Ministerio de Asuntos Económicos y Transformación Digital, Unión Europea NextGeneration-EU.
*(1) Estrategia europea de datos para el periodo 2025-2030.
Descargo de responsabilidad: AAAS y Eurek Alert! no son responsables de la precisión de los comunicados de prensa publicados en EurekAlert! por instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.
