Qiang Yang
Déterminer si un apprentissage automatique utile peut avoir lieu lorsque les données sur lesquelles on entraînerait ou évaluerait le système ne peuvent pas être déplacées vers un seul endroit — pour des raisons juridiques, de confidentialité ou commerciales.
Yang a coécrit le manuel fondateur sur l'apprentissage fédéré, et son axe de recherche actuel — d'abord à HKUST et désormais aussi via WeBank — porte sur le même problème à l'échelle industrielle : construire des systèmes de ML où plusieurs organisations contribuent des données sans que celles-ci quittent jamais leurs locaux. Le manuel d'apprentissage par transfert qui précédait posait la question voisine : quand une connaissance issue d'une tâche ou d'un domaine peut-elle utilement passer à un autre ? Pour ai100, qui audite aujourd'hui les moteurs sur leur comportement face à des requêtes publiques mais pourrait un jour devoir évaluer le comportement de modèles sur des données que les propriétaires de marques ne peuvent pas publier, la méthodologie d'évaluation fédérée est la littérature qui a déjà travaillé les arbitrages entre confidentialité et utilité.