Entrenamiento de IA preservando la privacidad en dispositivos cotidianos

Investigadores del MIT han desarrollado FTTE, un método que acelera en un 81% el aprendizaje federado, permitiendo el entrenamiento de modelos de IA en dispositivos con recursos limitados como sensores y relojes inteligentes sin comprometer la privacidad de los datos. La técnica envía subconjuntos de parámetros del modelo a los dispositivos, utiliza actualizaciones asíncronas y pondera las contribuciones según su frescura para reducir el uso de memoria en un 80% y la comunicación en un 69%. Esto facilita aplicaciones en sectores críticos como la salud y las finanzas, donde la privacidad y la eficiencia son esenciales. El marco FTTE mejora la escalabilidad y el rendimiento en redes heterogéneas de dispositivos. Los autores principales son Irene Tenison, Anna Murphy y Lalana Kagal del grupo DIG del MIT.