{"id":1275,"date":"2025-07-28T11:38:14","date_gmt":"2025-07-28T14:38:14","guid":{"rendered":"https:\/\/www.galirows.com.br\/meublog\/?p=1275"},"modified":"2025-07-28T11:40:22","modified_gmt":"2025-07-28T14:40:22","slug":"aprendizado-federado-ibm-tcc","status":"publish","type":"post","link":"http:\/\/www.galirows.com.br\/meublog\/blog\/aprendizado-federado-ibm-tcc\/","title":{"rendered":"Implanta\u00e7\u00e3o da Plataforma de Aprendizado Federado da IBM e Compara\u00e7\u00e3o de Algoritmos de Agrega\u00e7\u00e3o: Um Estudo de Caso Usando o Conjunto de Dados MNIST"},"content":{"rendered":"\n

Voc\u00ea j\u00e1 se perguntou como podemos treinar modelos de intelig\u00eancia artificial poderosos sem comprometer a privacidade de dados sens\u00edveis? Em um mundo cada vez mais digital, essa \u00e9 uma quest\u00e3o crucial! \u00c9 exatamente isso que o Aprendizado Federado (FL)<\/strong> busca resolver, e um artigo super interessante apresentado recentemente na 34\u00aa BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS) em 2024<\/strong> nos traz insights sobre o tema. Intitulado “Deployment of IBM Federated Learning Platform and Aggregation Algorithm Comparison: A Case Study Using the MNIST Dataset<\/a>“, este estudo foi publicado na s\u00e9rie Lecture Notes in Computer Science<\/strong> da Springer Nature<\/strong>.<\/p>\n\n\n\n

Schulz, H.H., Moreira, B.G. (2025). Deployment of IBM Federated Learning Platform and Aggregation Algorithm Comparison: A Case Study Using the MNIST Dataset. In: Paes, A., Verri, F.A.N. (eds) Intelligent Systems. BRACIS 2024. Lecture Notes in Computer Science(), vol 15412. Springer, Cham. https:\/\/doi.org\/10.1007\/978-3-031-79029-4_22<\/pre>\n\n\n\n
O Dilema dos Dados e a Solu\u00e7\u00e3o do Aprendizado Federado (FL)<\/strong><\/p>\n\n\n\n
Tradicionalmente, a intelig\u00eancia artificial funciona melhor com montanhas de dados centralizados. Mas isso vem com um risco enorme: a privacidade. Vazamentos podem expor informa\u00e7\u00f5es pessoais ou empresariais cr\u00edticas. \u00c9 a\u00ed que o FL brilha!<\/p>\n\n\n\n
Imagine o seguinte: em vez de enviar todos os seus dados para um servidor central, o modelo de IA vai at\u00e9 os dados. Em FL, os modelos s\u00e3o treinados localmente em cada dispositivo ou servidor (pense em seu celular, um hospital, ou uma f\u00e1brica), usando os dados que j\u00e1 est\u00e3o l\u00e1. Apenas as atualiza\u00e7\u00f5es<\/em> do modelo (e n\u00e3o os dados brutos!) s\u00e3o enviadas de volta para um servidor central, que as combina para criar um modelo global mais inteligente. Assim, a privacidade \u00e9 preservada, pois seus dados nunca saem do lugar!<\/p>\n\n\n\n
A Pesquisa em Foco: IBM FL e o MNIST Dataset<\/strong><\/h3>\n\n\n\n
O trabalho \u00e9 resultado do TCC de Hans Herbert Schulz (acesso o TCC completo em Decentralized brilliance: deploying a federated learning platform and evaluating aggregation algorithms<\/a>) e focado na plataforma de Aprendizado Federado da IBM<\/strong>. Foram implantados cont\u00eaineres Docker<\/strong> em dois clientes, e o objetivo principal era testar sua funcionalidade e comparar o desempenho de duas das estrat\u00e9gias de FL mais comuns:<\/p>\n\n\n\n
    \n
  1. Federated Stochastic Gradient Descent (FedSGD)<\/strong><\/li>\n\n\n\n
  2. Federated Averaging (FedAvg)<\/strong><\/li>\n<\/ol>\n\n\n\n
    Para isso, foi utilizado o famoso conjunto de dados MNIST<\/strong>, que consiste em imagens de d\u00edgitos manuscritos e muito utilizado para testar algoritmos de reconhecimento de padr\u00f5es.<\/p>\n\n\n\n
    Os resultados foram super esclarecedores:<\/p>\n\n\n\n
      \n
    • Desempenho S\u00f3lido:<\/strong> Ambas as estrat\u00e9gias, FedAvg e FedSGD, alcan\u00e7aram uma precis\u00e3o satisfat\u00f3ria<\/strong> e bons \u00edndices de F1 Score, provando que a plataforma funciona bem para classifica\u00e7\u00e3o de imagens.<\/li>\n\n\n\n
    • Consumo de Recursos:<\/strong> Eles monitoraram o uso de CPU, RAM e o tr\u00e1fego de rede. Notaram picos de uso da CPU durante o treinamento e um comportamento interessante no tr\u00e1fego de rede, que diminu\u00eda \u00e0 medida que o modelo ficava mais preciso. A preocupa\u00e7\u00e3o com o uso de recursos \u00e9 v\u00e1lida, especialmente se pensarmos em implantar isso em dispositivos de borda<\/strong> (como um Raspberry Pi), que t\u00eam capacidades limitadas.<\/li>\n\n\n\n
    • FedAvg na Frente!<\/strong> A grande sacada foi a compara\u00e7\u00e3o entre as duas estrat\u00e9gias. Embora ambas funcionem, o FedAvg se mostrou ligeiramente mais eficiente<\/strong>, especialmente em termos de tr\u00e1fego de rede e tempo de treinamento<\/strong>. O FedSGD, por exemplo, consumiu at\u00e9 70% mais largura de banda e levou quase dois minutos a mais para concluir o treinamento em um teste com apenas dois clientes. Isso pode n\u00e3o parecer muito, mas imagine em um cen\u00e1rio real com dezenas ou centenas de dispositivos \u2013 essa diferen\u00e7a se multiplica e pode ser cr\u00edtica! <\/li>\n<\/ul>\n\n\n\n
      Por Que Isso Importa?<\/strong><\/h3>\n\n\n\n
      Este estudo refor\u00e7a o potencial do Aprendizado Federado para aplica\u00e7\u00f5es pr\u00e1ticas, especialmente em ind\u00fastrias que lidam com grandes volumes de dados sens\u00edveis. A capacidade de treinar modelos de forma descentralizada, garantindo a privacidade e seguran\u00e7a dos dados<\/strong>, \u00e9 um divisor de \u00e1guas. Empresas podem usar dados de m\u00faltiplas filiais sem quebrar regulamenta\u00e7\u00f5es de privacidade, otimizando a manuten\u00e7\u00e3o preditiva e reduzindo custos.<\/p>\n\n\n\n
      <\/p>\n","protected":false},"excerpt":{"rendered":"
      Voc\u00ea j\u00e1 se perguntou como podemos treinar modelos de intelig\u00eancia artificial poderosos sem comprometer a privacidade de dados sens\u00edveis? Em um mundo cada vez mais digital, essa \u00e9 uma quest\u00e3o crucial! \u00c9 exatamente isso que o Aprendizado Federado (FL) busca resolver, e um artigo super interessante apresentado recentemente na 34\u00aa BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[6,9,296],"tags":[299,298,297],"class_list":["post-1275","post","type-post","status-publish","format-standard","hentry","category-ia","category-orientacoes","category-publicacoes","tag-aprendizado-federado","tag-artigo","tag-tcc"],"aioseo_notices":[],"amp_enabled":true,"_links":{"self":[{"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/posts\/1275","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/comments?post=1275"}],"version-history":[{"count":2,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/posts\/1275\/revisions"}],"predecessor-version":[{"id":1277,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/posts\/1275\/revisions\/1277"}],"wp:attachment":[{"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/media?parent=1275"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/categories?post=1275"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/www.galirows.com.br\/meublog\/wp-json\/wp\/v2\/tags?post=1275"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}