Aprendizado federado: o que é e como funciona na prática

O teclado do seu celular provavelmente já usa aprendizado federado sem você saber.

Quando o Gboard sugere a próxima palavra, parte desse aprendizado não aconteceu em um data center do Google, mas dentro de milhares de aparelhos que treinaram uma versão local do modelo e enviaram de volta apenas os ajustes, nunca o que você digitou.

Essa é a ideia central do aprendizado federado (federated learning): mover o treinamento até os dados, em vez de mover os dados até o treinamento. ## O problema que a técnica resolve O modelo tradicional de machine learning funciona por concentração.

Você reúne os dados em um servidor, treina o modelo ali e distribui o resultado.

Funciona bem quando os dados estão todos no mesmo lugar.

Quebra quando estão espalhados, quando são sensíveis ou quando simplesmente não podem sair da origem.

Três obstáculos aparecem nesse cenário.

O primeiro é regulatório: dados de saúde e de clientes bancários sofrem restrições para sair de determinada jurisdição ou instituição.

O segundo é de volume: enviar petabytes de um celular para um servidor custa banda e bateria.

O terceiro é de privacidade: centralizar dados de milhões de pessoas cria um alvo único e valioso para vazamentos.

O aprendizado federado ataca os três ao mesmo tempo. ## Como funciona, passo a passo O ciclo básico tem quatro etapas.

1.

O servidor central distribui um modelo global inicial para um conjunto de clientes, que podem ser celulares, hospitais, agências bancárias ou sensores industriais.

2.

Cada cliente treina esse modelo com os dados que tem localmente.

O treinamento acontece no próprio dispositivo ou na própria instituição, sem exportar nada.

3.

Cada cliente envia de volta apenas os parâmetros atualizados do modelo, os pesos que aprendeu.

Os dados brutos ficam onde estavam.

4.

O servidor agrega as atualizações de todos os clientes em uma nova versão do modelo global e reinicia o ciclo.

O algoritmo mais citado dessa etapa de agregação é o Federated Averaging (FedAvg), publicado pelo Google em 2016 no artigo Communication-Efficient Learning of Deep Networks from Decentralized Data.

A ideia é simples: em vez de somar gradientes um a um, cada cliente faz várias passagens de treino local e envia o resultado consolidado, o que reduz drasticamente o tráfego de rede.

Detalhe prático que costuma passar batido: nem todo dispositivo participa de cada rodada.

O sistema seleciona uma amostra, normalmente por critérios como estar carregando e conectado ao Wi-Fi, para não consumir bateria nem plano de dados do usuário. ## Nem toda federação é igual Existem três arranjos principais, e eles resolvem problemas diferentes. **Federado horizontal.** Os participantes têm o mesmo tipo de dado, mas sobre pessoas ou casos diferentes.

É o caso de vários bancos que possuem perfis de clientes com as mesmas colunas e querem treinar um modelo antifraude conjunto.

É o formato mais comum em pesquisa. **Federado vertical.** Os participantes têm registros sobre os mesmos indivíduos, mas com atributos diferentes.

Um banco tem histórico de crédito, uma operadora tem dados de uso de telefone, uma varejista tem histórico de compras, e todas observam o mesmo grupo de pessoas.

Aqui o alinhamento de identidades vira o ponto crítico. **Aprendizado federado por transferência.** Cada participante treina um modelo próprio para uma tarefa e o conhecimento é transferido para um modelo base compartilhado.

Serve quando as tarefas são parecidas, mas os dados não têm estrutura compatível. ## O que a técnica não resolve A privacidade do aprendizado federado é real, mas não é absoluta.

As atualizações de modelo ainda carregam informação sobre os dados de treino, e pesquisas já mostraram que é possível reconstruir amostras a partir de gradientes.

Por isso, na prática, a técnica é combinada com outras camadas: privacidade diferencial, que adiciona ruído aos parâmetros, e criptografia homomórfica, que permite agregar valores sem descriptografá-los.

O outro limite é de engenharia.

Os dispositivos são heterogêneos, têm conexões instáveis e podem sair do ciclo no meio.

Coordenar isso exige tolerância a falhas e estratégias de seleção de clientes bem calibradas. ## Onde isso já roda O Google usa aprendizado federado no Gboard para melhorar sugestões de texto e em recursos de busca no Android.

A Apple adota abordagem semelhante para personalizar ditado e reconhecimento de voz no iPhone, mantendo o processamento no aparelho.

Na área de saúde, a técnica é usada para treinar modelos de imagem médica entre hospitais que não podem compartilhar prontuários entre si.

Fornecedores como IBM, NVIDIA e Google Cloud mantêm frameworks e serviços específicos para esse tipo de treino distribuído.

O padrão se repete: quanto mais sensível o dado e mais espalhado ele estiver, mais o aprendizado federado faz sentido. ## Perguntas que aparecem com frequência **O aprendizado federado é a mesma coisa que aprendizado distribuído?** Não.

O distribuído foca em velocidade, dividindo o trabalho entre máquinas dentro de uma infraestrutura controlada.

O federado foca em privacidade, operando sobre dados que nunca saem da origem e sob coordenação de donos diferentes. **O modelo fica pior por não ver os dados brutos?** Em muitos casos a diferença é pequena, desde que o número de clientes seja grande e a agregação seja bem feita.

O custo maior costuma aparecer na comunicação, não na qualidade final. **Preciso de hardware especial?** Para rodar no dispositivo, não.

Para coordenar milhares de clientes com segurança e escalar a agregação, a infraestrutura de servidor passa a ser o gargalo.