En el panorama actual de la intel·ligència artificial distribuïda, un dels reptes més complexos és aconseguir que múltiples clients, cadascun amb dades aïllades i privades, col·laborin en l'aprenentatge de models que s'han d'adaptar contínuament a noves tasques. Aquest escenari, conegut com a Aprenentatge Incremental Federat (Federated Class Incremental Learning, FCIL), combina les dificultats de l'aprenentatge federat (FL) amb les de l'aprenentatge continu (CL). No obstant això, la seva convergència genera dos tipus d'interferència que s'acoblen: la interferència espacial, provocada per l'heterogeneïtat entre clients, i la interferència temporal, derivada de l'arribada seqüencial de tasques. Ambdues conflueixen en el que anomenem Oblit Catastròfic Espai-Temporal (Spatial-Temporal Catastrophic Forgetting, ST-CF).
Els enfocaments existents solen abordar aquests dos problemes per separat, implementant mecanismes específics al costat del client que incrementen la càrrega computacional o la comunicació. A més, rarament regulen les interaccions direccionals entre les actualitzacions durant l'agregació. Davant d'aquesta limitació, sorgeix SUM (Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors), un marc purament del costat del servidor que reinterpreta el FCIL com un problema unificat d'aprenentatge multitasca. En aquesta visió, tant les actualitzacions de cada client com les de cada tasca es representen com a vectors d'adaptació en un espai de paràmetres compartit. SUM aplica una cirurgia geomètrica sobre aquests vectors durant l'agregació: SUM Espacial mitiga la interferència entre clients dins de cada ronda, mentre que SUM Temporal Causal en línia elimina la interferència entre tasques al llarg del temps, sense requerir computació, comunicació o memòria addicionals als clients més enllà de l'entrenament federat estàndard.
Des d'un punt de vista tècnic, SUM opera directament sobre les direccions dels vectors d'adaptació, ajustant les seves orientacions per minimitzar conflictes. Això es tradueix en una millora empírica de fins a un 22 % respecte a mètodes previs de FCIL en benchmarks de visió i llenguatge, fins i tot en escenaris amb clients poc fiables o dinàmics. L'eficiència computacional es manté, ja que tot el processament addicional es concentra al servidor, cosa que facilita la seva integració en infraestructures cloud existents.
Per a empreses que desenvolupen sistemes intel·ligents distribuïts, la proposta de SUM obre noves possibilitats. A Q2BSTUDIO, com a companyia especialitzada en desenvolupament d'aplicacions a mida, entenem que solucions com SUM es poden incorporar en plataformes que requereixen aprenentatge continu sense comprometre la privacitat de les dades. Per exemple, en entorns on múltiples sucursals o dispositius IoT col·laboren per millorar un model de detecció d'anomalies, la cirurgia geomètrica evita que el coneixement d'una sucursal interfereixi amb el d'una altra, mentre que l'adaptació temporal permet incorporar noves classes d'anomalies sense oblidar les anteriors.
La implementació de SUM es beneficia enormement d'una infraestructura cloud robusta. La capacitat d'escalar servidors d'agregació, gestionar la comunicació asíncrona i garantir la disponibilitat dels models actualitzats és clau. Per això, els serveis de núvol AWS i Azure que oferim a Q2BSTUDIO són ideals per desplegar aquest tipus d'arquitectures federades. A més, la seguretat de les dades és primordial: en un entorn federat, cada client reté les seves dades localment, però l'agregació de vectors s'ha de protegir contra atacs d'inferència o enverinament. Les nostres solucions de ciberseguretat ajuden a blindar el procés, des de l'autenticació de clients fins al xifratge de les comunicacions.
Una altra dimensió rellevant és la monitorització i anàlisi del rendiment del model al llarg del temps. Les eines de BI i Power BI permeten visualitzar mètriques com la taxa d'oblit, la precisió per tasca o la contribució de cada client, facilitant la presa de decisions informades sobre quan reentrenar o redistribuir la càrrega. Fins i tot és possible integrar agents d'IA que, basant-se en l'anàlisi d'aquestes mètriques, ajustin dinàmicament els paràmetres de la cirurgia geomètrica, optimitzant l'equilibri entre estabilitat i plasticitat.
A Q2BSTUDIO dissenyem solucions de intel·ligència artificial a mida per a empreses que necessiten sistemes d'aprenentatge federat i incremental. La incorporació de tècniques com SUM als nostres desenvolupaments permet als nostres clients beneficiar-se de models que evolucionen sense oblidar, col·laboren sense interferir i s'adapten sense saturar els recursos dels dispositius perifèrics. Ja sigui en aplicacions de visió industrial, processament de llenguatge natural en entorns multilingües o sistemes de recomanació distribuïts, la cirurgia geomètrica unificada representa un avenç significatiu cap a una intel·ligència artificial més eficient, escalable i respectuosa amb la privacitat.
En resum, SUM ofereix una solució elegant i pràctica al problema de l'oblit catastròfic espai-temporal en l'aprenentatge incremental federat. En concentrar tota la lògica de mitigació d'interferències al servidor, simplifica el desplegament en clients heterogenis i redueix els costos operatius. Per a les organitzacions que busquen implementar sistemes d'IA que aprenguin de manera contínua i col·laborativa, combinar SUM amb una infraestructura cloud adequada, mesures de ciberseguretat robustes i eines de BI és un full de ruta sòlid. A Q2BSTUDIO estem preparats per acompanyar aquest camí amb les nostres capacitats tècniques i experiència en projectes de transformació digital.
