AIDE

L’objectif du projet AIDE est de définir et de mettre en œuvre une plateforme d’apprentissage fédéré (federated machine learning) et de démontrer son efficacité à travers plusieurs études de cas. L’apprentissage fédéré permet à plusieurs clients d’entraîner de manière collaborative un modèle d’apprentissage de manière distribuée. Le processus comprend les trois étapes suivantes :

1. les modèles locaux sont appris sur des données et des algorithmes locaux,
2. puis agrégés en modèles globaux plus complets qui respectent les politiques de partage des entités participantes, et
3. enfin les modèles globaux sont déployés dans l’infrastructure des entités participantes.

L’apprentissage fédéré fournit donc une approche intégrée pour le partage et l’apprentissage à partir d’informations sans qu’il soit nécessaire de partager des quantités massives de données sensibles dans un serveur centralisé, ce qui apporte des avantages substantiels en matière de sécurité, confidentialité et protection de la vie privée. En outre, l’apprentissage fédéré est plus efficace en termes de ressources car il remplace le partage d’énormes ensembles de données par le partage de paramètres de modèles.
Afin de créer des systèmes d’apprentissage fédéré robustes, les vulnérabilités potentielles doivent être soigneusement évaluées et des contre-mesures appropriées basées sur les risques doivent être développées.

Un vaste éventail d’applications peut bénéficier de l’apprentissage fédéré. Le projet AIDE commencera par deux cas : un dans le domaine de la cybersécurité, où le partage d’informations sensibles est crucial, et un second dans les environnements de l’Internet industriel des objets (IoT).
Pour la cybersécurité, l’apprentissage fédéré par le partage des informations sur les menaces peut renforcer les tests de pénétration, améliorer la synthèse de la réparation automatique du code pour les vulnérabilités et optimiser l’analyse des logiciels malveillants, le renseignement sur les menaces et la détection des intrusions.
Pour l’IoT, l’accent sera mis sur la maintenance prédictive.