Usando técnicas de federated learning para aprimorar modelos de inteligência artificial no contexto das Instituições Públicas Brasileiras
Federated Learning, Artificial Intelligence, Brazilian Public Institutions, Convergence Algorithms
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, principalmente para respeitar todas as exigências da Lei Geral de Proteção de Dados. 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. Diante desse cenário, federated learning tem ganhado espaço na literatura recente como uma forma de possibilitar o compartilhamento de modelos de IA de forma segura. Nessa técnica, ao invés de compartilhar dados, apenas os modelos já treinados são agregados em um servidor para gerar um novo modelo. Com isso é possível tranferir o conhecimento de vários modelos para criar uma versão aprimorada deles. Diante disso, este trabalho propõe o uso do federated learning para criar um ambiente seguro para o compartilhamento de modelos de IA entre as Intituições Públicas Brasileiras. Além disso, o trabalho também propõe o experimento de diferentes técnicas presentes na literatura para identificar os melhores algoritmos de federated para se utilizar no cenário estudado.