Hay miles de instituciones, como los hospitales, que recogen datos privados y sensibles, por lo que no pueden ser transferidos para su uso. Aunque aprendizaje federado necesita datos para ser entrenado. Como no podemos enviarlos a una base de datos como ésta (desprotegida, no confidencial), se ha pensado en una solución: cada institución entrenará localmente un modelo con sus propios datos, luego cada modelo entrenado con sus conocimientos será enviado a un servidor que transferirá los conocimientos que obtuvo durante su entrenamiento para entrenar otros modelos principales (un concepto concebido por Google).
Para responder al problema de los datos sensibles, la vida privada, los datos e informaciones protegidas, compartimos el conocimiento de los modelos en lugar de los datos.
El mantenimiento predictivo tiene como objetivo anticiparse a los fallos de los equipos industriales para permitir la programación temprana de las acciones correctivas. Una buena estrategia de mantenimiento predictivo puede eliminar los fallos catastróficos de los equipos y minimizar los costes de las horas extra de mantenimiento. Este dominio necesita varias tecnologías y conceptos, principalmente el Internet de las cosas (IoT), la computación del cloud, el machine learning y las técnicas de análisis de datos.
Carl Berger-Levrault muestra mucho interés por estas soluciones.
Sin embargo, en el contexto del enfoque de mantenimiento predictivo, hay varias cuestiones que originan el IoT, como :
- Costes en términos de energía,
- Ancho de banda,
- El conjunto de datos locales del equipo puede ser pequeño o estar sesgado,
- El tipo de tecnología IoT y los objetos conectados utilizados pueden afectar a la calidad y cantidad de los datos,
- Los datos pueden ser demasiado sensibles y costosos de transferir,
- Comportamiento estadístico,
- El número de modelo que aumenta proporcionalmente con el número de equipos.
Para responder a estos problemas aplicamos el aprendizaje federado, un enfoque colaborativo para entrenar un modelo de aprendizaje automático mientras los datos permanecen descentralizados.
Por eso hemos tomado la idea del aprendizaje federado aplicado en los recursos locales para aplicarlo en un nivel superior: el Edge. Es el punto más cercano a los objetos conectados. En el Edge, primero entrenaremos el modelo utilizando los datos de cada uno de los objetos conectados, y luego lo enviaremos a nuestra cloud donde agregaremos diferentes modelos y lo enviaremos de vuelta a nuestros nodos IoT. Ahí es donde nace la idea de un nuevo Framework.
Aunque el enfoque de aprendizaje federado muestra problemáticas específicas para la IT, como una comunicación limitada entre el servidor y los objetos conectados que no se adapta al enfoque, las contribuciones en el aprendizaje federado se centran en cuestiones de agregación para las redes neuronales que no siempre se adaptan a los entornos de la IoT, las aplicaciones de aprendizaje federado para la IoT se están explorando en arquitecturas genéricas, aunque en el aprendizaje federado deben adaptarse a una arquitectura estandarizada de la IoT.
Para responder a esta problemática, adaptamos el aprendizaje federado a la arquitectura del IoT integrando componentes capaces de gestionar a los participantes y orquestar las tareas federadas. Utilizamos FedStack en nuestro enfoque, un método de agregación basado en el apilamiento para los modelos tradicionales de aprendizaje automático e implementamos un marco de aprendizaje federado para el IoT basado en el método de agregación Fedstack.
La arquitectura fundamental de IoT se compone de tres capas que son:
- La capa del dispositivo para identificar los objetos conectados que recogen datos,
- La capa de red para transferir los datos recogidos
- La capa de aplicación utilizado por la aplicación IoT para recoger datos, supervisarlos, analizarlos y tomar decisiones
Figura 2: Arquitectura estandarizada de tres capas.
La mayoría de las soluciones existentes se centran en las redes neuronales, pero no en los modelos, por esta razón hemos desarrollado un enfoque pensando de forma diferente.
Encuentre nuestra arquitectura federada para el IoT:
Como se puede ver en la parte inferior de la representación, los datos se generan a partir de los objetos e instalaciones conectadas, en la segunda capa se preparan los datos de cada generador (recogidos y almacenados), se entrenan los modelos localmente, se orquestan los generadores de datos y se monitorizan los hosts utilizando orquestadores locales a nivel de Edge. Finalmente en la última capa se gestiona la agregación en el nivel de la nube utilizando un orquestador global según el método configurado. La orquestación global del modelo se entrena sin divulgar datos sensibles o protegidos, bajo demanda se pueden desplegar orquestadores locales en el nodo IoT (Gateway, Servidor IoT...), finalmente se monitorizan los entornos de ejecución y el rendimiento del modelo.
Esta configuración es posible gracias al Framework del algoritmo FedStack que permite utilizar un algoritmo de meta-aprendizaje para aprender la mejor combinación de las predicciones de dos o más modelos básicos de aprendizaje automático, para generar un meta-modelo que produzca una predicción final.
Gracias a esta nueva configuración distribuida que hemos implementado en nuestro modelo podemos orquestar y sincronizar la información en el modelo global teniendo en cuenta los retos a los que se enfrenta el entorno del IoT
Este proyecto está dirigido en colaboración con 3ZA, una empresa especializada en objetos conectados con el objetivo de crear una pasarela, un componente para llevar la inteligencia artificial al nivel Edge, integrar nuestro enfoque de inteligencia artificial desarrollado en componentes y asegurar todo el proceso descrito en este artículo.
El proyecto comenzó hace dos meses, ahora estamos discutiendo la primera implementación de nuestro enfoque en la solución de 3ZA y la primera prueba debería comenzar muy pronto.
