Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufrn.br/handle/123456789/52290 |
Resumo: | O uso de modelos de inteligência artificial tem se tornado frequente em diversas áreas do conhecimento para resolver diferentes problemas eficientemente. Diante disso, diversas Instituições Públicas Brasileiras têm investido em soluções de IA para melhorar a qualidade e otimizar seus serviços. Contudo, essas instituições, principalmente as de segurança, utilizam dados muito sensíveis nessas soluções. Dessa forma, seu uso acaba sendo muito burocrático. Além disso, cada instituição explora um cenário limitado de exemplos que torna os modelos de IA enviesados. O compartilhamento de dados entre instituições poderia proporcionar a criação de datasets mais generalistas com uma melhor capacidade de criar modelos mais robustos. No entanto, devido a natureza dos dados, esse tipo de ação é em muitos casos inviável. Aprendizado federado tem ganhado espaço na literatura recente como uma forma de possibilitar o compartilhamento de modelos de IA de forma segura. Nessa técnica é possível tranferir o conhecimento de vários modelos para criar uma versão aprimorada deles. Diante disso, este trabalho propõe o uso do aprendizado federado para criar um ambiente seguro para o compartilhamento de modelos de IA entre as Intituições Públicas Brasileiras. Neste trabalho, foi experimentado cinco diferentes algoritmos de aprendizado federado, com três diferentes algoritmos de aprendizado de máquina. Os experimentos executados constataram que FedAvg, FedAdam e FedYogi juntamente com os algoritmos VGG16 e EfficientNet conseguem atingir performace satisfatória no treinamento de classificadores para Instituições Públicas Brasileiras. Foi possível verificar que esse resultado se mantém em cenários com datasets desbalanceado ou balanceado, e com muito ou pouco clientes. |
id |
UFRN_c2d6450441ca75600bce780bec39f8d3 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/52290 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Souza, Gabriel Araújo dehttp://lattes.cnpq.br/2590202875754763http://lattes.cnpq.br/4635320220484649Araújo, Daniel Sabino Amorim dehttp://lattes.cnpq.br/4744754780165354Martins, Allan de MedeirosCavalcante, Everton Ranielly de SousaMoura, Pedro MesquitaCacho, Nélio Alessandro Azevedo2023-05-09T20:21:01Z2023-05-09T20:21:01Z2022-12-20SOUZA, Gabriel Araújo de. Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions. Orientador: Nélio Alessandro Azevedo Cacho. 2022. 175f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/52290O uso de modelos de inteligência artificial tem se tornado frequente em diversas áreas do conhecimento para resolver diferentes problemas eficientemente. Diante disso, diversas Instituições Públicas Brasileiras têm investido em soluções de IA para melhorar a qualidade e otimizar seus serviços. Contudo, essas instituições, principalmente as de segurança, utilizam dados muito sensíveis nessas soluções. Dessa forma, seu uso acaba sendo muito burocrático. Além disso, cada instituição explora um cenário limitado de exemplos que torna os modelos de IA enviesados. O compartilhamento de dados entre instituições poderia proporcionar a criação de datasets mais generalistas com uma melhor capacidade de criar modelos mais robustos. No entanto, devido a natureza dos dados, esse tipo de ação é em muitos casos inviável. Aprendizado federado tem ganhado espaço na literatura recente como uma forma de possibilitar o compartilhamento de modelos de IA de forma segura. Nessa técnica é possível tranferir o conhecimento de vários modelos para criar uma versão aprimorada deles. Diante disso, este trabalho propõe o uso do aprendizado federado para criar um ambiente seguro para o compartilhamento de modelos de IA entre as Intituições Públicas Brasileiras. Neste trabalho, foi experimentado cinco diferentes algoritmos de aprendizado federado, com três diferentes algoritmos de aprendizado de máquina. Os experimentos executados constataram que FedAvg, FedAdam e FedYogi juntamente com os algoritmos VGG16 e EfficientNet conseguem atingir performace satisfatória no treinamento de classificadores para Instituições Públicas Brasileiras. Foi possível verificar que esse resultado se mantém em cenários com datasets desbalanceado ou balanceado, e com muito ou pouco clientes.Artificial intelligence models have become frequent in several areas of knowledge to resolve different problems efficiently. Due to this, many Brazilian Public Institutions have invested in AI solutions to improve and optimize their services. However, these institutions, mainly public safety organizations, use sensitive privacy data in their solutions. Thus, the use of this data is bureaucratic. Furthermore, each institution explores a simple scenario that makes the AI models biased. The data sharing between institutions could create general datasets with a better capacity to create more robust models. However, due to the nature of the data, this type of action is often unfeasible. Federated learning has gained space in the recent literature to enable the sharing of AI models safely. With this technique, it is possible to transfer knowledge from various models to create an improved version of them. Based on that, this work proposes using federated learning to create a safe environment for sharing AI models among Brazilian Public Institutions. In this work, five different federated learning algorithms have been experimented with three different machine learning algorithms. The experiments found that FedAvg, FedAdam, and FedYogi, together with the VGG16 and EfficientNet algorithms, achieve satisfactory performance in training classifiers in the context of Brazilian Public Institutions. Verifying that this result is maintained in scenarios with unbalanced or balanced datasets and many or few clients was possible.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃOUFRNBrasilCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOComputaçãoFederated learningBrazilian Public InstitutionsConvergence AlgorithmsUsando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileirasUsing federated learning techniques to improve artificial intelligence models in the context of brazilian public institutionsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALUsandotecnicasfederated_Souza_2022.pdfapplication/pdf1651150https://repositorio.ufrn.br/bitstream/123456789/52290/1/Usandotecnicasfederated_Souza_2022.pdffd933e66231ad4250cc19bd79feb2a10MD51123456789/522902023-05-09 17:21:42.343oai:https://repositorio.ufrn.br:123456789/52290Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2023-05-09T20:21:42Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
dc.title.alternative.pt_BR.fl_str_mv |
Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions |
title |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
spellingShingle |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras Souza, Gabriel Araújo de CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO Computação Federated learning Brazilian Public Institutions Convergence Algorithms |
title_short |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
title_full |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
title_fullStr |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
title_full_unstemmed |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
title_sort |
Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras |
author |
Souza, Gabriel Araújo de |
author_facet |
Souza, Gabriel Araújo de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2590202875754763 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4635320220484649 |
dc.contributor.referees1.none.fl_str_mv |
Martins, Allan de Medeiros |
dc.contributor.referees2.none.fl_str_mv |
Cavalcante, Everton Ranielly de Sousa |
dc.contributor.referees3.none.fl_str_mv |
Moura, Pedro Mesquita |
dc.contributor.author.fl_str_mv |
Souza, Gabriel Araújo de |
dc.contributor.advisor-co1.fl_str_mv |
Araújo, Daniel Sabino Amorim de |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/4744754780165354 |
dc.contributor.advisor1.fl_str_mv |
Cacho, Nélio Alessandro Azevedo |
contributor_str_mv |
Araújo, Daniel Sabino Amorim de Cacho, Nélio Alessandro Azevedo |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO Computação Federated learning Brazilian Public Institutions Convergence Algorithms |
dc.subject.por.fl_str_mv |
Computação Federated learning Brazilian Public Institutions Convergence Algorithms |
description |
O uso de modelos de inteligência artificial tem se tornado frequente em diversas áreas do conhecimento para resolver diferentes problemas eficientemente. Diante disso, diversas Instituições Públicas Brasileiras têm investido em soluções de IA para melhorar a qualidade e otimizar seus serviços. Contudo, essas instituições, principalmente as de segurança, utilizam dados muito sensíveis nessas soluções. Dessa forma, seu uso acaba sendo muito burocrático. Além disso, cada instituição explora um cenário limitado de exemplos que torna os modelos de IA enviesados. O compartilhamento de dados entre instituições poderia proporcionar a criação de datasets mais generalistas com uma melhor capacidade de criar modelos mais robustos. No entanto, devido a natureza dos dados, esse tipo de ação é em muitos casos inviável. Aprendizado federado tem ganhado espaço na literatura recente como uma forma de possibilitar o compartilhamento de modelos de IA de forma segura. Nessa técnica é possível tranferir o conhecimento de vários modelos para criar uma versão aprimorada deles. Diante disso, este trabalho propõe o uso do aprendizado federado para criar um ambiente seguro para o compartilhamento de modelos de IA entre as Intituições Públicas Brasileiras. Neste trabalho, foi experimentado cinco diferentes algoritmos de aprendizado federado, com três diferentes algoritmos de aprendizado de máquina. Os experimentos executados constataram que FedAvg, FedAdam e FedYogi juntamente com os algoritmos VGG16 e EfficientNet conseguem atingir performace satisfatória no treinamento de classificadores para Instituições Públicas Brasileiras. Foi possível verificar que esse resultado se mantém em cenários com datasets desbalanceado ou balanceado, e com muito ou pouco clientes. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-20 |
dc.date.accessioned.fl_str_mv |
2023-05-09T20:21:01Z |
dc.date.available.fl_str_mv |
2023-05-09T20:21:01Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SOUZA, Gabriel Araújo de. Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions. Orientador: Nélio Alessandro Azevedo Cacho. 2022. 175f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/52290 |
identifier_str_mv |
SOUZA, Gabriel Araújo de. Using federated learning techniques to improve artificial intelligence models in the context of brazilian public institutions. Orientador: Nélio Alessandro Azevedo Cacho. 2022. 175f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/52290 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/52290/1/Usandotecnicasfederated_Souza_2022.pdf |
bitstream.checksum.fl_str_mv |
fd933e66231ad4250cc19bd79feb2a10 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1797777661464936448 |