Conférence organisée pour les étudiants, étudiantes de L1 ISI et de L2 Informatique

L'intelligence artificielle fait désormais partie de la vie quotidienne, alimentant tout, des recommandations que nous voyons en ligne aux assistants vocaux dans nos foyers, en passant par les outils qui transforment la santé et les transports. Mais cette propagation rapide de l'IA comporte un inconvénient majeur : la plupart des systèmes d'IA reposent sur la collecte de quantités massives de données personnelles, ce qui soulève de réelles préoccupations quant à la manière dont ces données sont utilisées, stockées et protégées.

L'apprentissage décentralisé constitue une réponse prometteuse à ce défi : il s'agit d'une approche dans laquelle plusieurs appareils ou organisations collaborent pour entraîner un modèle d'IA partagé sans jamais avoir à transmettre leurs données personnelles brutes, atténuant ainsi les risques associés à l'agrégation centralisée des données. Cependant, même l'échange de mises à jour de modèles dans ce type de contexte peut exposer les participants à des atteintes à la vie privée.

Dans cette présentation, Anne-Marie Kermarrec abordera les principaux défis de l'apprentissage décentralisé, notamment les vulnérabilités en matière de confidentialité, nous rapprochant ainsi d'un apprentissage collaboratif sécurisé et évolutif dans des environnements ouverts.

Biographie : Anne-Marie Kermarrec est professeure d'informatique à l'École Polytechnique Fédérale de Lausanne (EPFL) depuis janvier 2020. Auparavant, elle a été directrice générale de la startup Mediego, qu'elle a fondée en avril 2015. De 2004 à 2015, elle a été directrice de recherche à l'Inria en France. Anne-Marie Kermarrec a obtenu un doctorat de l'Université de Rennes (France) et a travaillé à la Vrije Universiteit Amsterdam (Pays-Bas) ainsi qu'au Microsoft Research de Cambridge (Royaume-Uni). Élue à l'Academia Europaea en 2013, à l'Académie des sciences française en 2024, et nommée ACM Fellow en 2016, ses travaux de recherche portent sur les systèmes distribués à grande échelle, les algorithmes épidémiques, les réseaux pair-à-pair et le support système pour l'apprentissage automatique.