L'aprenentatge federat ha deixat de ser una promesa experimental per convertir-se en una palanca estratègica en entorns empresarials on les dades no es poden centralitzar. Tot i això, la seva aplicació real xoca amb un problema clàssic: la distribució d'etiquetes entre els clients sol ser desigual. Aquesta asimetria, coneguda com a label skew, fa que cada node entreni amb una realitat parcial i que el model global acabi arrossegant la deriva de tots ells. La intuïció diu que generar mostres sintètiques per reequilibrar les classes pot ajudar. La pregunta més fina, i la que realment determina el cost i el rendiment, és on generar aquestes mostres.
En un sistema centralitzat, un únic equip disposa de tot el dataset i pot mostrejar les classes de manera homogènia. En l'aprenentatge federat, cada client aporta una distribució diferent. Un hospital pot tenir molts casos d'una malaltia i gairebé cap d'una altra; una cadena de botigues pot concentrar les devolucions en una regió i no en una altra. El model global s'entrena amb mitjanes de gradents que reflecteixen aquestes disparitats. El resultat és el que es coneix com a client drift: els models locals s'allunyen de l'òptim global i el servidor agrega solucions divergents.
L'augment sintètic de dades és una resposta raonable: es generen exemples artificials per a les classes infrarrepresentades i es reequilibra el panorama. Però fer-ho de manera exhaustiva, és a dir, obligar tots els clients a arribar a una distribució uniforme, consumeix una quantitat enorme de còmput. Cada imatge sintètica, cada vector tabular o cada text generat requereix inferència d'un model generatiu, control de qualitat i emmagatzematge. En producció, aquest cost pot fer inviable la tècnica.
L'alternativa no és generar menys per generar menys, sinó generar on cal. Un pressupost adaptatiu per entropia analitza la distribució local d'etiquetes de cada client i, a partir de la seva incertesa, decideix quantes mostres sintètiques ha de crear per a cada classe. Si una classe està molt infrarrepresentada, el seu pressupost de generació creix; si el client ja té una distribució raonable, el pressupost es redueix. Així s'evita malgastar recursos en nodes que no necessiten reforç.
Aquest pressupost no només indica el volum de síntesi. També determina el destí de les mostres generades: quin client les rep i amb quin lot s'integren en l'entrenament. Aquest matís és clau. Un client amb pocs exemples d'una classe pot ser reforçat per un generador que treballi per a un altre client amb més context i millor infraestructura. El resultat és que l'augment sintètic es reparteix de manera intel·ligent, com un enviament logístic que col·loca la mercaderia al magatzem on realment falten existències.
Una altra propietat interessant és que el pressupost total de generació no es fixa per endavant. En els mètodes clàssics, el responsable del projecte tria un nombre global d'imatges sintètiques i el reparteix. Aquí, el pressupost total sorgeix de la suma dels pressupostos per client. Si la heterogeneïtat és alta, el sistema generarà més; si els clients estan equilibrats, generarà menys. És una política orgànica que s'adapta a la realitat de cada ronda d'entrenament.
En la pràctica, l'algorisme no necessita veure les dades crues, només la distribució d'etiquetes que cada client declara o estima localment. Amb aquesta informació, el servidor calcula un coeficient d'entropia per a cada node. Com més esbiaixada estigui la distribució, més lluny del màxim d'entropia i més gran serà la necessitat de generació. Després, el pressupost es desglossa per classe: la classe minoritària rep més espais sintètics, mentre que la majoritària es pot mantenir com està. Finalment, un mecanisme d'encaminament decideix si les mostres s'integren al mateix client que les va generar o s'envien a un altre que les necessita més.
Els resultats en benchmarks visuals com CIFAR-10 i CIFAR-100 mostren que aquesta política recupera gairebé tot el guany de precisió que s'obtindria amb un balanceig complet de classes, però redueix el pressupost de generació en un 94,1 %. A més, quan es compara amb una assignació uniforme amb el mateix pressupost total, la millora arriba fins al 18,82 %. La diferència no està en la tecnologia generativa, sinó en l'orquestració: saber on generar i cap on dirigir cada mostra.
Portar aquesta lògica a l'empresa requereix més que un algorisme: requereix enginyeria de programari sòlida. Les organitzacions necessiten integrar l'aprenentatge federat amb els seus sistemes de dades actuals, crear API d'entrenament, gestionar versions de models i connectar nodes remots de manera segura. Per això, a Q2BSTUDIO treballem habitualment amb empreses que necessiten aplicacions a mida per industrialitzar aquest tipus de solucions. La teoria és necessària, però sense una plataforma ben construïda no arriba a producció.
A més, el desplegament d'un entorn federat no s'entén sense una infraestructura cloud sòlida. La coordinació entre clients, l'intercanvi de gradents xifrats i l'emmagatzematge temporal de metadades poden donar suport en serveis cloud d'AWS i Azure. A Q2BSTUDIO ajudem a dissenyar arquitectures elàstiques que escalen segons el nombre de clients i la freqüència de sincronització, evitant costos fixos innecessaris.
La seguretat no pot ser un afegit. En un projecte federat, el fet que les dades no surtin de la seva ubicació original no garanteix per si sol la confidencialitat. Els gradents poden filtrar informació sensible i un node compromès pot injectar mostres malicioses. Per això, a Q2BSTUDIO integrem mesures de ciberseguretat com el xifratge homomòrfic, l'agregació segura i l'auditoria contínua dels participants. Aquesta capa defensiva permet que l'estratègia d'augment sintètic operi en un entorn de confiança.
L'observabilitat també hi juga un paper important. Un sistema d'aquest tipus genera molta telemetria: pressupostos assignats, entropia de cada client, nombre de mostres sintètiques creades, impacte en la precisió per classe. Convertir aquesta informació en decisions executives és imprescindible. Per això, a Q2BSTUDIO utilitzem eines de Business Intelligence com Power BI per construir quadres de comandament que mostren en temps real la salut de l'entrenament federat i el retorn de cada unitat de pressupost invertida.
I quan el model ja està en producció, l'optimització no s'atura. El pressupost adaptatiu per entropia es pot ajustar automàticament amb agents d'IA que observen les mètriques, detecten noves formes de desequilibri i llancen processos de generació sense esperar un analista. És una automatització intel·ligent que converteix l'aprenentatge federat en un sistema viu, capaç de reaccionar davant de canvis en la distribució de les dades dels clients.
En el fons, aquest enfocament demostra que l'eficiència en intel·ligència artificial no consisteix a aplicar més còmput, sinó a aplicar-lo millor. La decisió d'on generar no és un detall menor: determina el cost, la precisió i la viabilitat de tot el projecte. Les empreses que entenguin això podran escalar les seves iniciatives d'IA sense renunciar a la privacitat ni al pressupost.
A Q2BSTUDIO ajudem organitzacions de totes les mides a dissenyar i implementar solucions d'aprenentatge federat, des de la investigació inicial fins a l'operació contínua. Combinem desenvolupament d'aplicacions a mida, arquitectura cloud, ciberseguretat, Business Intelligence i agents d'IA perquè cada model aprengui exactament on ha d'aprendre. Perquè en el món federat, generar la dada adequada al lloc adequat és l'avantatge competitiu definitiu.
