Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das instituições públicas brasileiras

• Ano de defesa: 2022
• Autor(a) principal: Souza, Gabriel Araújo de
• Orientador(a): Cacho, Nélio Alessandro Azevedo
• 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
• País: Brasil
• Palavras-chave em Português: Computação; Federated learning; Brazilian Public Institutions; Convergence Algorithms
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/52290

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.