Apprentissage fédéré : une démonstration sur données publiques réelles
Mesh (Mesh Universe) fait tourner une démonstration d'apprentissage fédéré confidentiel sur des données publiques réelles. Plusieurs acteurs entraînent un modèle commun sans jamais partager leurs données : chacun entraîne en local, seuls les paramètres du modèle circulent, chiffrés. Le modèle fédéré gagne de 6 à 8 points d'AUC sur la moyenne des acteurs seuls, dans les vingt et une exécutions du banc. Et fédérer plutôt que réunir toutes les données au même endroit ne coûte rien de mesurable : 0,3 point d'AUC au plus, pour une incertitude de mesure au moins six fois plus grande. Garder les données chez soi ne fait donc rien perdre.
Le même modèle, sur des données réelles : le modèle voyage, les données restent à la maison.
Que montre la démonstration ?
Beaucoup de discours sur l'apprentissage fédéré restent théoriques. Cette démonstration fait l'inverse : elle exécute réellement un entraînement fédéré, round après round, sur des jeux de données publics et réels, et affiche à chaque étape ce que gagne le collectif par rapport à chaque acteur isolé.
Le dispositif exécute le mécanisme lui-même : chaque participant entraîne le modèle sur ses propres données, calcule sa mise à jour (des paramètres, jamais des données brutes), et ne renvoie que cette mise à jour, chiffrée de bout en bout. Un coordinateur agrège les mises à jour (FedAvg) pour produire un modèle global amélioré. → voir Apprentissage fédéré : définition et fonctionnement.
Quels jeux de données publics sont utilisés ?
La démonstration s'appuie sur des jeux de données ouverts, réels et cités, chacun avec sa source et sa licence d'origine :
- Maintenance prédictive : AI4I 2020 Predictive Maintenance Dataset. UCI Machine Learning Repository, licence CC BY 4.0. Détection de défaillance machine à partir de mesures de procédé.
- Toxicologie moléculaire : Tox21. Programme public (MoleculeNet / tox21.gov). Prédiction d'activité toxicologique de molécules.
- Éolien : EDP Wind Farm Open Data. Données SCADA 2016 + carnet de pannes (usage recherche/éducation). Anticipation de défaillance de turbine.
Un scénario supplémentaire de contrôle qualité du cuir est proposé pour illustrer un cas inter-ateliers : celui-ci est une synthèse calibrée (pas un jeu public), et il est signalé comme tel dans la démonstration.
Quel est le résultat observé ?
Sur ces jeux, le schéma se répète : un acteur seul a un angle mort, il n'observe qu'une partie de la réalité. En fédérant, chacun accède à ce qu'il ne voit pas, sans exposer ce qu'il voit. Trois repères encadrent le résultat, chacun calculé exactement plutôt qu'approché :
- Contre la moyenne des acteurs seuls : le fédéré gagne de 6 à 8 points d'AUC, et le gain est positif dans les vingt et une exécutions (sept graines, trois jeux). C'est trois à quatre fois l'incertitude d'une telle mesure.
- Contre le modèle qui aurait tout rassemblé au même endroit : le fédéré en est à 0,3 point d'AUC au plus, alors que l'incertitude de la mesure est au moins six fois plus grande. L'écart ne se distingue pas du bruit statistique : renoncer à centraliser ne fait rien perdre.
- Contre le meilleur des acteurs seuls : le fédéré est devant sur AI4I et EDP, sur les sept graines. Sur Tox21 il l'égale : l'écart de 0,1 point est bien inférieur à l'incertitude de mesure, c'est une égalité et non une avance.
Les exécutions sont reproductibles (graine fixée) : relancée, la démonstration redonne les mêmes chiffres. C'est une propriété volontaire : on montre un mécanisme vérifiable, pas une performance « au doigt mouillé ».
Ce que la démonstration prouve, et ne prouve pas
- Ce qu'elle prouve. Que l'apprentissage fédéré confidentiel s'exécute réellement sur des données publiques réelles, que rien de sensible ne circule (seuls des paramètres chiffrés), et que le collectif fait mieux que la moyenne des acteurs isolés dans les vingt et une exécutions.
- Ce qu'elle ne prouve pas. Un chiffre de performance garanti sur vos données : cela se mesure sur un pilote, sur vos jeux, chez vous. La démonstration montre le mécanisme et l'ordre de grandeur du gain, pas une promesse contractuelle.
- Son périmètre technique. Les participants sont simulés dans un seul processus : l'entraînement, les cycles d'agrégation et le chiffrement des échanges sont réels, mais il n'y a ni agent installé sur un site distant, ni protocole réseau entre organisations. Mesh est en phase de lancement et aucun déploiement en production n'existe à ce jour.
Comment accéder à la démonstration ?
La démonstration interactive est fournie sur demande, avec un accès nominatif : nous vous l'ouvrons et vous accompagnons dans la lecture des résultats plutôt que de la laisser en libre-service. Écrivez-nous en précisant votre secteur ; nous adaptons l'exemple au plus proche de votre cas.
FAQ : Démonstration sur données réelles
Mesh a-t-il une démonstration sur des données réelles ?
Oui. Mesh (Mesh Universe) fait tourner un entraînement fédéré confidentiel sur des jeux publics réels : AI4I 2020 (maintenance, UCI, CC BY 4.0), Tox21 (toxicologie) et EDP Wind (éolien). Le modèle fédéré gagne de 6 à 8 points d'AUC sur la moyenne des acteurs seuls, sans partage de données.
Que perd-on à ne pas centraliser les données ?
Rien de mesurable. Sur les trois jeux, le fédéré est à 0,3 point d'AUC au plus du modèle qu'on obtiendrait en réunissant toutes les données au même endroit, pour une incertitude de mesure au moins six fois plus grande : l'écart ne se distingue pas du bruit statistique. Le gain du collectif, lui, se distingue.
Les données sont-elles réelles ou synthétiques ?
Les jeux AI4I 2020, Tox21 et EDP sont des données publiques réelles (source et licence indiquées). Le scénario cuir est une synthèse calibrée, signalée comme telle. C'est une démonstration de mécanisme, pas un résultat client.
Les résultats sont-ils reproductibles ?
Oui : les exécutions sont à graine fixée. Relancée, la démonstration redonne exactement les mêmes chiffres : on montre un mécanisme vérifiable.
Cela veut-il dire que j'aurai le même gain sur mes données ?
Pas nécessairement. La démonstration montre la direction et l'ordre de grandeur du gain ; la performance sur vos données se mesure sur un pilote, chez vous, sans que vos données sortent. → voir Le Collectif.
Comment y accéder ?
Sur demande, avec un accès nominatif : passez par le formulaire de contact en précisant votre secteur.
Voyez la démonstration, puis parlons de vos données
Accès nominatif sur demande : nous vous ouvrons la démonstration et vous accompagnons.