Los sistemas “tradicionales” de Aprendizaje Automático requieren un proceso de entrenamiento centralizado que requiere, además diferentes sistemas de recolección y procesamiento de la información los cuales suelen incrementar la complejidad del proceso de aprendizaje y en muchos casos limitan la obtención de información debido a la falta de privacidad, el coste de la infraestructura y el volumen de datos que deben ser almacenados previamente al entrenamiento. Con el fin de paliar algunos de esto problemas, Google ha desarrollado lo que se denomina como Aprendizaje Automático Federado (Federated Machine Learning) que permite a los dispositivos “móviles” aprender de forma colaborativa manteniendo los datos de entrenamiento en el propio dispositivo y compartiendo los modelos predictivos que han sido generados a nivel local que son utilizados para mejorar un modelo compartido que se encuentra almacenado en el Cloud con pequeñas aportaciones de todos los modelos locales. Este proceso permite mantener la privacidad de la información, disminuye la cantidad de información envidada desde los dispositivos y almacenada en el Cloud. Acompáñame en esta charla para descubrir como funciona el Aprendizaje Automático Federado. Para ello presentaré los diferentes conceptos teóricos que hay detrás de este nuevo modelo de aprendizaje y veremos de manera práctica como podría implementarse un sistema de generación de modelos basados en aprendizaje federado mediante la utilización de TensorFlow.
