Des milliers d'institutions comme les hôpitaux collectent des données privées et sensibles, qui ne peuvent pas être transférées tel quel, alors que l'apprentissage fédéré a besoin de données pour être entraîner un model. Comme nous ne pouvons pas les envoyer à une base de données dans cet état (non protégée, non confidentielle), une solution a été imaginée : chaque institution entraîne localement un modèle avec ses propres données, puis chaque modèle avec ses connaissances sera envoyé à un serveur qui transférera les connaissances qu'il a acquises pour former d'autres modèles principaux (un concept conçu par Google).
Pour répondre au problème des données sensibles, de la vie privée, des données et informations protégées, nous partageons les connaissances des modèles plutôt que les données.
La maintenance prédictive vise à anticiper les défaillances des équipements industriels afin de permettre une programmation précoce des actions correctives. Une bonne stratégie de maintenance prédictive peut éliminer les défaillances catastrophiques des équipements et minimiser les coûts de maintenance. Ce domaine nécessite plusieurs technologies et concepts, principalement l'Internet des objets (IoT), le cloud computing, le machine learning et les techniques d'analyse des données.
Carl Berger-Levrault montre un grand intérêt pour ces solutions.
Cependant, dans le contexte de l'approche de la maintenance prédictive, l'IoT soulève plusieurs problèmes, notamment :
- Coûts en termes d'énergie,
- Bande passante,
- Les équipements de données locales peuvent être petits ou biaisés,
- Le type de technologie IoT et d'objets connectés utilisés peut affecter la qualité et la quantité des données,
- Les données peuvent être trop sensibles et trop coûteuses à transférer,
- Le comportement des statistiques,
- Le nombre de modèle qui augmente proportionnellement au nombre d'équipements.
Pour répondre à ces problèmes, nous appliquons l'apprentissage fédéré, une approche collaborative pour former un modèle de machine learning alors que les données restent décentralisées.
C'est pourquoi nous avons repris l'idée de l'apprentissage fédéré appliqué sur des ressources locales pour l'appliquer à un niveau supérieur : l'Edge. C'est le point le plus proche des objets connectés. Au niveau de la périphérie, nous formons d'abord le modèle en utilisant les données de chaque objet connecté, puis nous l'envoyons à notre cloud où nous agrégeons différents modèles et les renvoyons à nos nœuds IoT. C'est là que l'idée d'un nouveau framework est née.
Bien que l'approche de l'apprentissage fédéré présente des problèmes spécifiques à l'informatique, tels qu'une communication limitée entre le serveur et les objets connectés, qui n'est pas adaptée au processus, les contributions à l'apprentissage fédéré se concentrent sur les problèmes d'agrégation des réseaux neuronaux, qui ne sont pas toujours adaptés aux environnements de l'IoT.
Pour répondre à ces problématiques, nous avons adapté l'apprentissage fédéré à l'architecture IoT en intégrant des composants capables de gérer les participants et d'orchestrer les tâches fédérées. Nous avons utilisé FedStack dans notre approche, une méthode d'agrégation basée sur l'empilement pour les modèles d'apprentissage automatique traditionnels et nous avons mis en œuvre un cadre d'apprentissage fédéré pour l'IoT basé sur la méthode d'agrégation Fedstack.
L'architecture fondamentale de l'IoT se compose de trois couches, à savoir :
- La couche du dispositif pour identifier les objets connectés qui collectent des données,
- La couche réseau de transférer les données collectées
- La couche application utilisé par les applications IoT pour collecter des données, les contrôler, les analyser et prendre des décisions.
Figure 2 : Architecture normalisée à trois couches.
La plupart des solutions existantes se concentrent sur les réseaux neuronaux mais pas sur les modèles. Nous avons donc développé une approche en réfléchissant en dehors du cadre.
Découvrez ci-dessous notre architecture fédérée pour l'IoT :
Comme vous pouvez le voir dans la partie inférieure de la représentation, les données sont générées à partir des objets et des installations connectés. Dans la deuxième couche, les données de chaque générateur sont préparées (collectées et stockées), les modèles sont formés localement, les générateurs de données sont orchestrés et les hôtes sont surveillés à l'aide d'orchestrateurs locaux au niveau de l'Edge. Enfin, dans la dernière couche, l'agrégation est gérée au niveau du cloud en utilisant un orchestrateur global selon la méthode configurée. L'orchestration du modèle global est formée sans divulguer de données sensibles ou protégées. A la demande, des orchestrateurs locaux peuvent être déployés au niveau de nœud IoT (passerelle, serveur IoT...), enfin les environnements d'exécution et les performances du modèle sont surveillés.
Cette configuration est possible grâce au cadre algorithmique de FedStack qui permet d'utiliser un algorithme de meta-apprentissage pour apprendre la meilleure combinaison des prédictions de deux ou plusieurs modèles d'apprentissage automatique de base afin de générer un méta-modèle produisant une prédiction finale.
Grâce à cette nouvelle configuration distribuée que nous avons mise en œuvre dans notre modèle, nous pouvons orchestrer et synchroniser les informations dans le modèle global tout en tenant compte des défis auxquels est confronté l'environnement IoT.
Ce projet est mené en collaboration avec 3ZA,une société spécialisée dans les objets connectés avec l'objectif de créer une passerelle, un composant pour amener l'intelligence artificielle au niveau Edge, intégrer notre approche développée de l'intelligence artificielle dans les composants et assurer tout le processus décrit dans cet article.
Le projet a débuté il y a deux mois, nous discutons actuellement de la première mise en œuvre de notre approche dans la solution de 3ZA et les premiers tests devraient commencer très bientôt.
