Seperti yang disebutkan di atas, perbedaan utama antara federated learning dan machine learning tradisional yang terpusat terletak pada lokasi data selama proses pelatihan.

• Machine learning tradisional (terpusat): Data dikumpulkan dari berbagai sumber dan disatukan di satu tempat, seperti server cloud atau pusat data. Model machine learning kemudian dilatih secara langsung pada set data gabungan ini. Metode ini dapat menawarkan keuntungan seperti akses data yang mudah dan pengembangan yang lebih sederhana, tetapi juga dapat menimbulkan risiko privasi yang signifikan dan potensi kerentanan jika repositori data pusat disusupi.
• Federated learning (terdesentralisasi): Alih-alih memindahkan data, model machine learning dikirim ke data, dan peserta (klien) melatih model pada data lokal mereka. Hanya update model—seperti bobot atau gradien yang dipelajari—yang kemudian dikirim kembali ke server pusat untuk diagregasikan. Proses ini memungkinkan model global untuk belajar dari set data yang beragam tanpa pernah mengakses informasi mentah dan sensitif dari satu peserta pun.

Meskipun machine learning terpusat sudah mapan dan sering kali lebih mudah diimplementasikan, federated learning semakin populer karena secara inheren dapat mengatasi masalah privasi data, mengurangi persyaratan bandwidth, dan memungkinkan pelatihan model pada data yang mungkin tidak dapat diakses karena peraturan atau perjanjian kerahasiaan. 

Federated learning dapat disesuaikan dengan berbagai kebutuhan. Perbedaan utama sering kali berasal dari cara data didistribusikan atau cara peserta berkolaborasi. Berikut perincian jenis-jenisnya yang umum:

Federated learning bekerja melalui proses berulang yang melibatkan koordinator pusat (biasanya server) dan beberapa klien yang berpartisipasi (perangkat atau organisasi). Alur kerja umum dapat dipecah menjadi langkah-langkah utama berikut:

Proses ini dimulai dengan server pusat yang menginisialisasi model machine learning global. Model ini berfungsi sebagai titik awal untuk pelatihan kolaboratif. Server kemudian mendistribusikan model global ini ke subset perangkat klien yang berpartisipasi.

Setiap perangkat klien yang dipilih menerima model global. Dengan menggunakan data lokalnya sendiri, klien melatih model, mengupdate parameternya berdasarkan pola dan informasi yang ada dalam set data lokal tersebut. Yang terpenting, data mentah tetap berada di perangkat klien selama langkah ini, dan tidak pernah dikirim ke server.

Setelah pelatihan lokal, setiap klien mengirimkan parameter model yang diupdate (misalnya, gradien atau bobot) kembali ke server pusat. Update ini merepresentasikan apa yang dipelajari model dari data lokal, tetapi tidak mengekspos data itu sendiri.

Server pusat menerima update model dari beberapa klien. Kemudian, server pusat mengagregasi update ini, sering kali dengan merata-ratakannya (metode umum yang digunakan adalah federated averaging, atau FedAvg), untuk membuat versi baru yang lebih baik dari model global. Model gabungan ini mendapatkan manfaat dari pembelajaran kolektif di semua klien yang berpartisipasi. 

Server kemudian mendistribusikan model global yang baru diupdate ini kembali ke serangkaian klien baru (atau klien yang sama) untuk putaran pelatihan lokal berikutnya. Siklus ini berulang beberapa kali, yang secara progresif menyempurnakan model global dengan setiap iterasi hingga mencapai tingkat akurasi atau konvergensi yang diinginkan.

Sistem federated learning yang umum terdiri dari beberapa elemen yang saling terhubung:

Ini adalah perangkat atau organisasi individual yang menyimpan data dan melakukan pelatihan model lokal. Klien dapat berupa ponsel dan perangkat IoT hingga rumah sakit atau lembaga keuangan. Klien bertanggung jawab menjalankan model secara lokal dan membuat update parameter.

Server pusat bertindak sebagai orkestrator proses federated learning. Server ini menginisialisasi dan mendistribusikan model global, mengumpulkan update model dari klien, menggabungkan update ini untuk menyempurnakan model global, lalu mendistribusikan kembali model yang telah diupdate. Gemini tidak mengakses data mentah klien secara langsung.

Ini menentukan cara klien dan server bertukar informasi, terutama parameter dan update model. Protokol komunikasi yang efisien dan aman sangat penting, terutama mengingat potensi jumlah klien yang sangat besar dan kondisi jaringan yang bervariasi. 

Ini adalah metode yang digunakan oleh server pusat untuk menggabungkan update model yang diterima dari berbagai klien. Algoritma seperti federated averaging biasanya digunakan untuk merata-ratakan bobot atau gradien, sehingga menghasilkan satu model global yang lebih baik.

Meskipun memiliki keunggulan, federated learning juga memiliki beberapa potensi tantangan unik yang perlu dipertimbangkan dengan cermat:

• Heterogenitas data dan perangkat: Klien dalam jaringan federated learning dapat sangat bervariasi dalam hal distribusi data (data non-IID) dan kemampuan komputasi (hardware perangkat, konektivitas jaringan). Keragaman ini dapat memengaruhi konvergensi model dan performa keseluruhan.
• Overhead komunikasi: Meskipun berkurang dibandingkan dengan transfer data terpusat, federated learning masih memerlukan komunikasi yang sering antara klien dan server. Mengelola komunikasi ini secara efisien, terutama dengan banyaknya klien atau jaringan yang tidak andal, masih menjadi tantangan teknis. 
• Kerentanan keamanan dan privasi: Meskipun dirancang untuk privasi, federated learning tidak kebal terhadap semua ancaman keamanan. Update model itu sendiri berpotensi membocorkan informasi tentang data lokal melalui teknik canggih seperti serangan inferensi atau peracunan data. Langkah-langkah keamanan yang kuat, seperti privasi diferensial dan agregasi aman, sering kali digunakan untuk memitigasi risiko ini, meskipun dapat menimbulkan kompromi dengan akurasi atau biaya komputasi.
• Penyimpangan model: Seiring waktu, distribusi data pada perangkat klien individual dapat berubah, sehingga menyebabkan "penyimpangan model" yang membuat model lokal menyimpang dari model global. Untuk mengatasi hal ini, diperlukan mekanisme adaptasi berkelanjutan atau pendekatan federated learning yang dipersonalisasi. 

Federated learning memungkinkan pengguna membangun aplikasi canggih yang menjaga privasi di berbagai domain. Beberapa kasus penggunaan potensial untuk federated learning meliputi:

Pengguna dapat memanfaatkan federated learning untuk membangun aplikasi seluler yang belajar dari data pengguna tanpa mengorbankan privasi. Hal ini penting untuk fitur seperti teks prediktif di keyboard (misalnya, Gboard), saran kata berikutnya, rekomendasi yang dipersonalisasi, dan pengenalan suara di perangkat. Dengan melatih model secara langsung di perangkat pengguna, developer dapat meningkatkan fungsionalitas aplikasi dan pengalaman pengguna dengan beradaptasi terhadap pola interaksi individu, sekaligus memastikan data pribadi yang sensitif tetap lokal dan terlindungi, sesuai dengan peraturan seperti GDPR dan HIPAA. 

Federated learning memberdayakan pengguna untuk membuat sistem AI kolaboratif bagi perusahaan yang datanya terisolasi di berbagai organisasi. Hal ini sangat berharga dalam sektor seperti perawatan kesehatan dan keuangan, yang pembagian datanya dibatasi karena peraturan privasi atau masalah kepemilikan. Pengguna dapat membangun platform yang memungkinkan banyak institusi (misalnya, rumah sakit untuk riset medis, bank untuk deteksi penipuan) melatih model bersama pada data gabungan mereka tanpa mengekspos informasi mentah. Hal ini membantu mendorong kolaborasi, meningkatkan akurasi model melalui set data yang beragam, dan membantu memenuhi persyaratan kepatuhan yang ketat.

Bagi mereka yang bekerja dengan perangkat Internet of Things (IoT) dan Industrial IoT (IIoT), federated learning menawarkan cara yang efektif untuk menyematkan kecerdasan di edge. Hal ini memungkinkan pembuatan aplikasi seperti pemeliharaan prediktif untuk peralatan industri, deteksi anomali dalam jaringan sensor, atau pengoptimalan penggunaan resource di kota cerdas. Model dapat dilatih pada data yang dihasilkan oleh sensor dan mesin terdistribusi langsung di perangkat edge. Pendekatan ini mengurangi overhead komunikasi, memungkinkan insight real-time, dan menjaga data operasional sensitif dalam batas pabrik atau perangkat yang aman, yang penting untuk menjaga informasi hak milik.

Pengguna dapat menggunakan federated learning untuk membantu membangun platform analisis data yang tangguh bagi perusahaan yang perlu mendapatkan insight dari set data terdistribusi dan sensitif. Hal ini membantu memastikan bahwa model analitik dapat dilatih dan dieksekusi tanpa memusatkan data, sehingga sangat membantu kepatuhan terhadap peraturan seperti GDPR, CCPA, dan HIPAA. Hal ini memungkinkan organisasi memperoleh business intelligence yang berharga, mengidentifikasi tren, atau membangun model prediktif di berbagai departemen atau entitas mereka sambil mempertahankan protokol keamanan dan tata kelola data yang ketat.

Federated learning dapat diterapkan untuk membangun solusi pengamanan cyber yang lebih tangguh dan efektif. Model dapat dilatih di berbagai endpoint (misalnya, komputer, server, perangkat seluler) untuk mendeteksi malware, mengidentifikasi intrusi jaringan, atau menandai aktivitas mencurigakan tanpa mengeksfiltrasi data sensitif dari sistem individual. Pendekatan pelatihan terdesentralisasi ini dapat menghasilkan kemampuan deteksi ancaman yang lebih komprehensif dengan mempelajari berbagai perilaku jaringan dan peristiwa keamanan lokal, sekaligus menghormati privasi pengguna atau sistem individu. 

Untuk mempermudah penggunaan federated learning, beberapa framework open source dan komersial telah muncul. Alat ini memberi developer apa yang mereka butuhkan untuk menangani pelatihan di berbagai perangkat, cara berkomunikasi, dan cara menjaga privasi data.

• TensorFlow Federated (TFF): Dikembangkan oleh Google, TFF adalah framework open source untuk machine learning dan komputasi lainnya pada data terdesentralisasi. TFF terintegrasi dengan lancar dengan TensorFlow dan sangat baik untuk menyimulasikan pelatihan gabungan dan membangun algoritma federated learning baru. 
• PySyft: Sebagai bagian dari ekosistem OpenMined, PySyft adalah library Python yang berfokus pada AI yang menjaga privasi. PySyft memungkinkan federated learning dan bekerja dengan framework deep learning populer seperti PyTorch dan TensorFlow, yang mendukung teknik seperti privasi diferensial dan komputasi multi-pihak yang aman (SMPC).
• Flower: Flower adalah framework yang tidak bergantung pada framework dan sangat dapat disesuaikan untuk federated learning. Vertex AI Workbench dapat digunakan dengan library machine learning apa pun, termasuk PyTorch, TensorFlow, dan scikit-learn, sehingga serbaguna bagi tim dengan stack ML yang beragam. 
• NVIDIA FLARE: Framework ini dirancang untuk pencitraan medis dan genomik, sehingga memungkinkan pengembangan AI kolaboratif dalam layanan kesehatan. Framework ini juga digunakan dalam aplikasi seperti kendaraan otonom.
• FATE (Federated AI Technology Enabler): Dikembangkan oleh WeBank, FATE adalah platform yang berfokus pada perusahaan yang mendukung pembelajaran gabungan dengan teknik privasi canggih seperti enkripsi homomorfik. FATE menawarkan antarmuka berbasis web untuk mengelola alur kerja. 
• Substra: Awalnya dikembangkan untuk project riset medis multi-partner, Substra kini dihosting oleh Linux Foundation. Substra sangat kuat di bidang medis, dengan menekankan kepemilikan data, privasi, dan ketertelusuran. 

Bidang federated learning berkembang pesat. Riset saat ini berfokus pada penanganan tantangan, seperti meningkatkan ketahanan terhadap heterogenitas data dan sistem, mengembangkan teknik pelestarian privasi yang lebih canggih, membuat protokol komunikasi yang lebih efisien, dan memungkinkan pengalaman federated learning yang benar-benar dipersonalisasi. Seiring dengan makin terintegrasinya AI ke dalam domain sensitif, federated learning siap memainkan peran yang lebih penting dalam memungkinkan kecerdasan yang aman, pribadi, dan kolaboratif. Meskipun server pusat saat ini mengatur banyak sistem federated learning, pengembangan di masa mendatang kemungkinan akan mengeksplorasi pendekatan federated learning yang lebih terdesentralisasi atau peer-to-peer, sehingga meningkatkan ketahanan, skalabilitas, dan menghilangkan titik kegagalan tunggal.