{"id":135286,"date":"2023-06-21T13:41:34","date_gmt":"2023-06-21T12:41:34","guid":{"rendered":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/?p=135286"},"modified":"2023-12-19T14:22:31","modified_gmt":"2023-12-19T13:22:31","slug":"mledge-una-iniciativa-sostenible-para-el-desarrollo-de-redes-eficientes-y-soluciones-en-la-nube-y-de-federated-learning","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/2023\/06\/21\/135286","title":{"rendered":"MLEDGE: Una iniciativa sostenible para el desarrollo de redes eficientes y soluciones en la Nube y de Federated Learning"},"content":{"rendered":"

La toma de decisiones basada en datos e impulsada por algoritmos de Aprendizaje Autom\u00e1tico o Machine Learning<\/strong> (ML) est\u00e1 cambiando la forma en que funcionan la sociedad y la econom\u00eda, con un profundo impacto positivo en nuestra vida cotidiana. Para que estas soluciones sean efectivas, a menudo se tienen que procesar datos cerca del usuario\/a final y dichos datos pueden ser privados y confidenciales.<\/p>\n

El Aprendizaje Distribuido y, en particular, Federado (FL: Federated Learning) emerge como un paradigma l\u00edder dentro de la rama del ML satisfaciendo estas dos propiedades. El aprendizaje federado ha crecido en paralelo con la expansi\u00f3n de la nube hacia el borde (CloudEdge) pero, curiosamente, ambos se han desarrollado en su mayor\u00eda de forma independiente, a pesar de su paralelismo natural. En MLEDGE<\/a> (Aprendizaje Autom\u00e1tico en la Nube y en el Borde), IMDEA Networks trabajar\u00e1, con el Dr. Nikolaos Laoutaris como investigador principal, para revertir esta tendencia mediante la implementaci\u00f3n de FL como una capa intersectorial independiente pero optimizada sobre Cloud Edge, con aplicaciones y datos del mundo real para demostrar que esta sinergia puede producir grandes beneficios para todos.<\/p>\n

Se estima que la econom\u00eda de los datos alcanzar\u00e1 un impacto de 827.000 millones de euros para los 27 pa\u00edses de la UE en 2025 (1)<\/em>*. Por ello, el objetivo es habilitar un ecosistema pr\u00f3spero de servicios FL en el borde<\/strong>, seguros y eficientes, capaces de facilitar el uso de datos personales y B2B confidenciales para entrenar modelos de machine learning (para usuarios\/as finales individuales u organizaciones administrativamente independientes que colaboran bajo diferentes suposiciones de confianza -de total a nula, y cualquier nivel intermedio-).<\/p>\n

Eficiencia, sostenibilidad y seguridad<\/h2>\n

Como destaca Elisa Cabana, Investigadora Postdoc de IMDEA Networks: \u201cEl proyecto aporta investigaciones, entre otras \u00e1reas, en la de servicios de aprendizaje federado (FLaaS), procesamientos en el borde de la nube (Cloud Edge), uso eficiente de FL en nubes h\u00edbridas y protecci\u00f3n contra ataques<\/strong>, protecci\u00f3n de datos sensibles o confidenciales que sean intercambiados, gesti\u00f3n de los desaf\u00edos de portabilidad de datos en el borde, etc.\u201d. En este contexto, el equipo dise\u00f1ar\u00e1 un marco de desarrollo y componentes que ayuden a popularizar este tipo de servicios, as\u00ed como soluciones contra ataques de envenenamiento o inferencia lanzados desde servidores de borde rebeldes y\/o nodos de agregaci\u00f3n \u201chonestos pero curiosos\u201d. Incluye la creaci\u00f3n de una \u2018marca de agua\u2019 para proteger contra la redistribuci\u00f3n de datos o metadatos intercambiados entre servidores en el borde en el marco del FLaaS.<\/p>\n

Otros aspectos a destacar ser\u00e1n, como resume Cabana: \u201cCrear una capa de l\u00f3gica econ\u00f3mica y de negocio que implemente una distribuci\u00f3n justa de costes e ingresos entre las partes cuando colaboren en el entrenamiento de modelos de ML, y dar soporte a DevOps (Conjunto de pr\u00e1cticas que agrupan el desarrollo de software y las operaciones de TI. Su objetivo es hacer m\u00e1s r\u00e1pido el ciclo de vida del desarrollo de software y proporcionar una entrega continua de alta calidad) y al desarrollo continuo de servicios de aprendizaje autom\u00e1tico en la nube, optimizando los costes mediante su monitoreo, predicci\u00f3n y asignaci\u00f3n inteligente y energ\u00e9ticamente eficiente de los trabajos de computaci\u00f3n\u201d. La investigaci\u00f3n contribuir\u00e1, adem\u00e1s a dise\u00f1ar, implementar y hacer p\u00fablicos demostradores que trabajen con datos sensibles de individuos, y alimenten modelos \u00fatiles en \u00e1reas de la econom\u00eda tradicional y de la econom\u00eda digital como FinTech, identidad, salud, transporte, control de acceso, etc.<\/p>\n

Transferencia tecnol\u00f3gica a la sociedad<\/h2>\n

La innovaci\u00f3n del proyecto desarrollar\u00e1, en un contexto internacional, condiciones de mercado favorables para el uso del aprendizaje federado en la nube y en arquitecturas de datos federados, como, por ejemplo, las definidas por instituciones como IDSA o Gaia-X, con innovaciones de gran inter\u00e9s para abordar importantes problemas econ\u00f3micos, empresariales y sociales ligados a la existencia de silos en el almacenamiento y la explotaci\u00f3n de los datos en la econom\u00eda. \u201cMLEDGE har\u00e1 que la tecnolog\u00eda avanzada del aprendizaje federado sea accesible para m\u00e1s organizaciones e individuos<\/strong>, incluidas pymes y agencias gubernamentales, y favorecer\u00e1 la creaci\u00f3n de negocios sostenibles para todos los actores de la cadena de valor (especialistas\/proveedores de aprendizaje autom\u00e1tico, proveedores de servicios en la nube y de datos, industria tradicional y digital, sector p\u00fablico y el mundo acad\u00e9mico, etc.)\u201d, comenta Nikolaos Laoutaris, Research Professor en IMDEA Networks e Investigador Principal del proyecto en el instituto.<\/p>\n

El proyecto ser\u00e1 fundamental para el desarrollo de infraestructuras Cloud y ML\/FL en Espa\u00f1a y para el fomento de la I+D+i nacional. Contribuir\u00e1 a los Objetivos de Desarrollo Sostenible establecidos por las Naciones Unidas para 2030<\/strong> y promover\u00e1 el desarrollo sostenible de redes eficientes y soluciones FL a trav\u00e9s del trabajo pr\u00e1ctico que puede impactar de manera sustancial y positiva en el medio ambiente. En cuanto a las soluciones tecnol\u00f3gicas se pueden destacar:<\/p>\n

    \n
  1. Econom\u00eda tradicional<\/strong> (construcci\u00f3n, finanzas, salud, etc.). El caso de uso ser\u00e1 desarrollado por una empresa para mejorar procesos, o la toma de decisiones (por ejemplo, en tiempo real) basadas en datos o modelos provenientes de FL.<\/li>\n
  2. Econom\u00eda digital<\/strong>. Un ejemplo se puede dar en el \u00e1mbito de la salud digital, como explotar la informaci\u00f3n de dispositivos m\u00f3viles o tecnolog\u00edas \u2018wearable\u2019. Otro ser\u00eda el entrenamiento de modelos de publicidad digital.<\/li>\n
  3. Optimizaci\u00f3n de infraestructuras CloudEdge<\/strong>. Una funcionalidad clave para MLEDGE, que emplear\u00e1 algoritmos de machine learning entrenados de forma federada.<\/li>\n<\/ol>\n

    MLEDGE (Aprendizaje Autom\u00e1tico en la Nube y en el Borde) cuenta con financiaci\u00f3n (enero 2023-junio 2025) del Ministerio de Asuntos Econ\u00f3micos y Transformaci\u00f3n Digital, Uni\u00f3n Europea NextGeneration-EU.<\/p>\n

    *(1) Estrategia europea de datos para el per\u00edodo 2025-2030.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    La toma de decisiones basada en datos e impulsada por algoritmos de Aprendizaje Autom\u00e1tico o Machine Learning (ML) est\u00e1 cambiando la forma en que funcionan la sociedad y la econom\u00eda, con un profundo impacto positivo en nuestra vida cotidiana. Para que estas soluciones sean efectivas, a menudo se tienen que procesar datos cerca del usuario\/a final y dichos datos pueden ser privados y confidenciales. El Aprendizaje Distribuido y, en particular, Federado (FL: Federated Learning) emerge como un paradigma l\u00edder dentro de la rama del ML satisfaciendo estas dos propiedades. El aprendizaje federado ha crecido en paralelo con la expansi\u00f3n de la\u2026<\/p>\n","protected":false},"author":58,"featured_media":135287,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0},"categories":[48808],"tags":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":4}},"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/posts\/135286"}],"collection":[{"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/users\/58"}],"replies":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/comments?post=135286"}],"version-history":[{"count":1,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/posts\/135286\/revisions"}],"predecessor-version":[{"id":135288,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/posts\/135286\/revisions\/135288"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/media\/135287"}],"wp:attachment":[{"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/media?parent=135286"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/categories?post=135286"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/sociedadinformacion\/wp-json\/wp\/v2\/tags?post=135286"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}