Federated Learning: Cara Melatih AI tanpa Memusatkan Data Mentah

Melatih model kecerdasan buatan biasanya membutuhkan data yang dikumpulkan di satu tempat. Namun, data dari ponsel, rumah sakit, bank, atau organisasi lain tidak selalu boleh dipindahkan ke server pusat. Federated learning menawarkan pendekatan berbeda: model dipelajari bersama, sementara data pelatihan tetap berada di perangkat atau institusi asal. Pendekatan ini dapat mengurangi perpindahan data mentah, tetapi bukan jaminan privasi otomatis. Memahami alurnya penting sebelum menggunakannya untuk sistem nyata.

Apa itu federated learning?

Federated learning (FL), atau pembelajaran terfederasi, adalah metode pelatihan machine learning yang melibatkan banyak peserta tanpa harus mengumpulkan seluruh data mentah mereka ke satu repositori. Setiap peserta menjalankan pelatihan lokal menggunakan data yang dikuasainya, lalu mengirimkan pembaruan model untuk digabungkan. Koordinator mengolah pembaruan tersebut menjadi model global yang kemudian dapat dibagikan kembali kepada peserta.

Contohnya, beberapa rumah sakit ingin meningkatkan model pendukung analisis citra medis. Data pasien tidak perlu disalin ke satu gudang data pusat untuk setiap putaran pelatihan. Rumah sakit dapat melatih model secara lokal dan berkontribusi melalui pembaruan yang telah ditentukan protokolnya. Penerapan sebenarnya tetap memerlukan persetujuan, tata kelola data, dan evaluasi klinis yang sesuai.

Bagaimana prosesnya berjalan?

1. Model awal disiapkan. Koordinator menentukan model, tujuan pelatihan, konfigurasi, dan peserta yang memenuhi syarat.
2. Model dikirim ke peserta. Perangkat atau server lokal menerima versi model serta instruksi pelatihan yang dibatasi.
3. Pelatihan lokal dilakukan. Setiap peserta menggunakan data lokal untuk menghitung perubahan bobot atau parameter model. Data mentah tidak perlu dikirim sebagai bagian dari alur standar.
4. Pembaruan dikirim dan digabungkan. Server menggabungkan kontribusi dari sejumlah peserta, misalnya dengan rata-rata berbobot. Implementasi dapat menambahkan secure aggregation agar operator tidak melihat pembaruan individual secara langsung.
5. Model global diperbarui. Hasil agregasi menjadi versi berikutnya. Siklus berulang sampai kriteria kualitas, biaya, atau jumlah putaran terpenuhi.

Kerangka seperti TensorFlow Federated menyediakan komponen untuk bereksperimen dengan pelatihan dan agregasi terfederasi. Dalam praktik, rancangan komunikasi, pemilihan peserta, dan strategi agregasi harus disesuaikan dengan ukuran model, kemampuan perangkat, serta tujuan aplikasi.

Manfaat utama dan batasannya

Keuntungan paling jelas adalah mengurangi kebutuhan memindahkan data mentah, sehingga dapat membantu organisasi membatasi salinan data sensitif. Peserta juga dapat berkolaborasi meskipun data mereka berada di lingkungan berbeda. Untuk perangkat bergerak, pelatihan dapat memanfaatkan data yang tersedia secara lokal tanpa mengunggah seluruh riwayat aktivitas.

Namun, FL memiliki biaya komunikasi dan komputasi. Perangkat mungkin offline, baterainya terbatas, atau koneksinya lambat. Data setiap peserta juga dapat sangat berbeda; model yang baik pada satu kelompok belum tentu baik pada kelompok lain. Selain itu, pembaruan model tidak selalu aman hanya karena data mentah tetap lokal.

Apakah federated learning menjamin privasi?

Tidak. Pembaruan model dapat mengandung petunjuk tentang contoh pelatihan dan berpotensi dimanfaatkan dalam serangan tertentu. Risiko bergantung pada algoritma, ukuran kelompok peserta, akses yang dimiliki penyerang, serta mekanisme perlindungan tambahan. Karena itu, klaim “data tidak pernah keluar dari perangkat” perlu dijelaskan dengan cermat: data mentah mungkin tetap lokal, tetapi informasi turunan seperti gradien atau pembaruan parameter dapat dikirim.

Beberapa lapisan pertahanan dapat digunakan bersama:

• Secure aggregation: memungkinkan server memperoleh hasil gabungan tanpa membaca kontribusi setiap peserta satu per satu, sesuai asumsi dan protokol yang digunakan.
• Differential privacy: menambahkan perlindungan matematis melalui pembatasan kontribusi dan noise, dengan pertukaran antara privasi dan kualitas model.
• Kontrol akses dan autentikasi: membatasi siapa yang boleh mengirim pembaruan, memulai pekerjaan, atau mengunduh model.
• Validasi kontribusi: mendeteksi pembaruan yang tidak wajar atau upaya meracuni model, tanpa menganggap semua anomali pasti berbahaya.
• Pencatatan dan evaluasi: memantau versi model, peserta, perubahan kualitas, serta insiden sepanjang siklus pelatihan.

Lapisan tersebut tidak saling menggantikan. Differential privacy, misalnya, memiliki parameter dan anggaran privasi yang harus dijelaskan; secure aggregation pun tidak otomatis mencegah peserta jahat mengirim kontribusi berbahaya.

Kapan pendekatan ini cocok digunakan?

FL layak dipertimbangkan ketika beberapa pihak ingin meningkatkan model bersama tetapi memiliki batasan kuat terhadap pemindahan data, atau ketika data terbentuk secara alami di perangkat pengguna. Contoh potensialnya meliputi prediksi teks di perangkat, deteksi anomali lintas organisasi, dan penelitian kesehatan dengan tata kelola yang ketat.

FL belum tentu pilihan terbaik jika data dapat dikumpulkan secara sah dan aman dengan biaya lebih rendah, jumlah peserta terlalu sedikit, atau perangkat tidak mampu menjalankan pelatihan lokal. Model juga tetap membutuhkan pengujian bias, kualitas, dan kinerja pada tiap kelompok. Bandingkan kebutuhan ini dengan panduan menjaga privasi saat menggunakan AI sebelum menentukan arsitektur.

Checklist sebelum menerapkan federated learning

• Tentukan tujuan model, dasar penggunaan data, dan tanggung jawab setiap peserta.
• Petakan data apa yang tetap lokal dan informasi apa yang dikirim pada setiap putaran.
• Pilih mekanisme agregasi, autentikasi, perlindungan privasi, dan mitigasi poisoning yang sesuai dengan ancaman.
• Uji model pada data yang mewakili tiap kelompok, bukan hanya pada metrik rata-rata.
• Ukur biaya jaringan, energi, waktu pelatihan, tingkat peserta yang gagal, serta dampak perlindungan privasi terhadap akurasi.
• Siapkan proses penghentian, audit, pembaruan model, dan penanganan insiden.

Kesimpulan

Federated learning memungkinkan banyak peserta melatih model bersama tanpa harus memusatkan seluruh data mentah. Nilai utamanya adalah mengurangi perpindahan data dan membuka peluang kolaborasi lintas perangkat atau organisasi. Meski demikian, pembaruan model masih dapat membawa risiko privasi dan keamanan. Implementasi yang bertanggung jawab perlu menggabungkan FL dengan kontrol akses, secure aggregation, differential privacy bila sesuai, validasi model, serta pengujian yang transparan.

Referensi

Dokumentasi TensorFlow Federated dan pengantar Federated Learning dari Google Research.

Kredit ilustrasi: MarcT0K, Wikimedia Commons, lisensi CC BY-SA 4.0.