Aprendizado Federado em Redes de Internet das Coisas

A Internet das Coisas (IoT), uma rede vasta de dispositivos físicos interconectados, já está se tornando onipresente, tecendo-se na infraestrutura de sistemas e aplicações da internet. Desde casas inteligentes até fábricas otimizadas e cuidados de saúde personalizados, a IoT está abrindo um mundo de possibilidades. Prevê-se um crescimento exponencial do número de dispositivos IoT conectados à internet, impulsionando uma onda de inovação sem precedentes. No entanto, essa expansão também apresenta desafios consideráveis à infraestrutura de comunicação de dados. Neste contexto, o aprendizado federado surge como uma solução inovadora para o treinamento de modelos de inteligência artificial em dispositivos da Internet das Coisas (IoT) usando também a computação de borda. Essa técnica permite que diversos dispositivos colaborem na construção de um modelo compartilhado, sem a necessidade de centralizar seus dados sensíveis, preservando assim a privacidade dos dados dos usuários. No aprendizado federado, cada dispositivo treina o modelo localmente utilizando seus próprios dados. Em seguida, os parâmetros do modelo, e não os dados em si, são compartilhados com um servidor central. Esse servidor agrega os parâmetros recebidos e atualiza o modelo global, que é então enviado de volta para os dispositivos para a próxima rodada de treinamento. Este projeto propõe melhorar os modelos de aprendizado federado para redes de dispositivos IoT, incluindo aspectos relacionados à segurança do sistema em casos em que há dispositivos maliciosos participantes do aprendizado. Além disso, este projeto também tem o objetivo de investigar modos e arquiteturas para integrar o paradigma de aprendizado federado aos ambientes IoT. De maneira mais específica, este projeto busca soluções de aprendizado de máquina distribuído para ambientes com escassez de recursos computacionais, como é o caso de redes IoT.