L'apprendimento distribuito, e in particolare l'apprendimento federato (FL), si sta affermando come paradigma di punta nel campo del Machine Learning, soddisfacendo queste due proprietà. L'apprendimento federato è cresciuto parallelamente all'espansione del cloud verso l'edge (CloudEdge), ma, cosa interessante, entrambi si sono sviluppati perlopiù in modo indipendente, nonostante il loro naturale parallelismo. Nel progetto MLEDGE (Machine Learning in the Cloud and at the Edge), IMDEA Networks, con il Dr. Nikolaos Laoutaris come responsabile scientifico, si impegnerà a invertire questa tendenza implementando l'apprendimento federato come livello intersettoriale indipendente ma ottimizzato al di sopra del CloudEdge, utilizzando applicazioni e dati reali per dimostrare che questa sinergia può produrre vantaggi significativi per tutti.

Si stima che l'economia dei dati avrà un impatto di 827 miliardi di euro per i 27 paesi dell'UE entro il 2025 ⁽¹⁾. Pertanto, l'obiettivo è quello di consentire un fiorente ecosistema di servizi edge FL sicuri ed efficienti in grado di facilitare l'uso di dati personali e B2B sensibili per addestrare modelli di apprendimento automatico (per singoli utenti finali o organizzazioni amministrativamente indipendenti che collaborano in base a diverse ipotesi di fiducia - da totale a zero, e qualsiasi livello intermedio).

Efficienza, sostenibilità e sicurezza.
Come sottolinea Elisa Cabana, ricercatrice post-dottorato presso IMDEA Networks: "Il progetto contribuisce alla ricerca in aree quali i servizi di apprendimento federato (FLaaS), l'elaborazione cloud edge, l'uso efficiente del FL nei cloud ibridi e la protezione dagli attacchi, la protezione dei dati sensibili o riservati scambiati, la gestione delle sfide di portabilità dei dati all'edge, ecc." In questo contesto, il team progetterà un framework di sviluppo e componenti per contribuire alla diffusione di questi tipi di servizi, nonché soluzioni contro gli attacchi di avvelenamento o di inferenza lanciati da server edge non autorizzati e/o nodi di aggregazione "onesti ma curiosi". Ciò include la creazione di una filigrana per proteggere dalla ridistribuzione dei dati o dei metadati scambiati tra i server edge all'interno del framework FLaaS.

Altri aspetti chiave, come riassume Cabana, includono: “Creare un livello di logica economica e aziendale che implementi un’equa distribuzione dei costi e dei ricavi tra le parti che collaborano all’addestramento dei modelli di machine learning e supportare DevOps (un insieme di pratiche che combinano lo sviluppo software e le operazioni IT, con l’obiettivo di accelerare il ciclo di vita dello sviluppo software e fornire una distribuzione continua e di alta qualità) e lo sviluppo continuo di servizi di machine learning basati sul cloud, ottimizzando i costi attraverso il monitoraggio, la previsione e l’allocazione intelligente ed efficiente dal punto di vista energetico dei carichi di lavoro di calcolo”. La ricerca contribuirà anche alla progettazione, all’implementazione e alla distribuzione pubblica di dimostratori che lavorano con dati personali sensibili e alimentano modelli utili in aree dell’economia tradizionale e digitale come FinTech, identità, sanità, trasporti, controllo degli accessi e altro ancora.

Trasferimento tecnologico alla società:
l'innovazione del progetto favorirà condizioni di mercato favorevoli per l'utilizzo dell'apprendimento federato nel cloud e nelle architetture dati federate, come quelle definite da istituzioni quali IDSA o Gaia-X, in un contesto internazionale. Ciò porterà a innovazioni di grande interesse per affrontare importanti sfide economiche, commerciali e sociali legate ai silos di dati nell'economia. "MLEDGE renderà la tecnologia avanzata di apprendimento federato accessibile a un maggior numero di organizzazioni e individui, comprese le PMI e le agenzie governative, e promuoverà la creazione di imprese sostenibili per tutti gli attori della catena del valore (esperti/fornitori di machine learning, fornitori di servizi cloud e dati, industria tradizionale e digitale, settore pubblico, mondo accademico, ecc.)", afferma Nikolaos Laoutaris, professore ricercatore presso IMDEA Networks e responsabile del progetto presso l'istituto.
Il progetto sarà fondamentale per lo sviluppo di infrastrutture cloud e ML/FL in Spagna e per la promozione della ricerca, sviluppo e innovazione a livello nazionale. Contribuirà al raggiungimento degli Obiettivi di Sviluppo Sostenibile fissati dalle Nazioni Unite per il 2030 e promuoverà lo sviluppo sostenibile di reti efficienti e soluzioni FL attraverso un lavoro concreto in grado di avere un impatto sostanziale e positivo sull'ambiente.

Per quanto riguarda le soluzioni tecnologiche, spiccano le seguenti:
1. Economia tradizionale (edilizia, finanza, sanità, ecc.). Il caso d'uso sarà sviluppato da un'azienda per migliorare i processi o il processo decisionale (ad esempio, in tempo reale) sulla base di dati o modelli provenienti da FL.
2. Economia digitale. Un esempio potrebbe essere nel campo della salute digitale, come lo sfruttamento delle informazioni provenienti da dispositivi mobili o tecnologie indossabili. Un altro esempio potrebbe essere l'addestramento di modelli di pubblicità digitale.
3. Ottimizzazione delle infrastrutture CloudEdge. Una funzionalità chiave per MLEDGE, che impiegherà algoritmi di machine learning federati.
MLEDGE (Machine Learning in the Cloud and at the Edge) è finanziato (gennaio 2023-giugno 2025) dal Ministero degli Affari Economici e della Trasformazione Digitale dell'Unione Europea, NextGeneration-EU.

(1) Strategia europea sui dati per il periodo 2025-2030