Les données sont au cœur de la performance des entreprises et leur protection est devenue un enjeu stratégique, notamment dans le domaine de la santé. Les hôpitaux, laboratoires et entreprises du secteur disposent de volumes considérables d’informations sensibles, mais leur partage est souvent limité par des contraintes éthiques, réglementaires ou techniques. L’apprentissage fédéré (ou Federated Learning) offre une alternative puissante : il permet d’entraîner des modèles d’intelligence artificielle de manière collaborative sans jamais déplacer les données. Ainsi, nous pouvons bénéficier de la force du collectif tout en préservant la confidentialité et la souveraineté de nos informations.

Concrètement, cette technologie est déjà utilisée dans plusieurs secteurs soumis à des exigences de confidentialité élevées. Dans le domaine médical, elle permet à différents hôpitaux d’améliorer conjointement leurs modèles de diagnostic sans échanger les dossiers patients. Les acteurs financiers l’emploient pour renforcer la détection de la fraude tout en respectant les réglementations sur les données. Les industriels, enfin, l’explorent pour la maintenance prédictive et l’optimisation de procédés, en partageant uniquement les modèles et non les données.

A la point de la recherche sur l’apprentissage fédéré, Inria co-pilote avec le groupe groupe La Poste un programme ambitieux, le défi Fed‑Malin, qui vise à faire avancer la recherche en apprentissage fédéré sur le plan scientifique et appliqué.  Ce consortium rassemble dix équipes projet, réparties sur six centres Inria, combinant expertise en apprentissage automatique, systèmes distribués, sécurité, réseaux et médecine.

Parmi les axes ciblés : la confidentialité et l’équité des modèles, la consommation d’énergie, la personnalisation, la prise en compte des dépendances spatiales et temporelles. Le défi prévoit également de développer des outils open-source pour expérimenter l’apprentissage fédéré et le déployer dans des applications réelles (médecine, crowdsensing).

Les résultats visés s’appliquent à des domaines tels que la santé — par exemple des études multicentriques sans transfert massif de données — mais aussi la mobilité, l’IoT, la prévention du vieillissement.

Face à ces avancées, la demande en compétences sur l’apprentissage fédéré ne cesse de croître. Les ingénieurs en intelligence artificielle cherchent à maîtriser non seulement les modèles d’apprentissage classiques, mais aussi les principes de confidentialité, de sécurité et d’architecture distribuée propres à cette technologie. Comprendre comment développer un modèle sans centraliser les données devint une compétence nécessaire pour concevoir des projets d’IA responsables et conformes aux réglementations.

C’est dans cette optique qu’Inria Academy propose la formation “Analyse des données sensibles de santé avec l’apprentissage fédéré”. Destinée aux ingénieurs, data scientists et responsables techniques, elle combine théorie et pratique pour offrir une compréhension approfondie des méthodes et outils de l’apprentissage fédéré appliqués aux données de santé. Côté état de l’art, cette formation permet de connaitre l’écosystème de l’apprentissage fédéré et les outils existants, ainsi que de comprendre les motivations, les principes fondamentaux, et les limitations de l’apprentissage fédéré dans le domaine de la santé. Côté pratique, on y apprend à identifier les enjeux de confidentialité et de sécurité associés aux données médicales ainsi qu’à utiliser le logiciel open-source Fed-BioMed pour des expériences simples d’apprentissage fédéré.