Swarm Learning aplicado na Medicina

Inteligência de enxame (SI), ou Swarm Learning, descreve um comportamento coletivo de sistemas descentralizados e auto-organizados. O conceito está sendo empregado em sistemas de inteligência artificial e a inspiração vem da natureza, especialmente a partir da observação de fenômenos de enxame.

Como sabemos, pássaros, abelhas, morcegos, formigas e peixes podem se mover coletivamente e de forma inteligente como uma resposta direta a mudanças ou ocorrências no meio ambiente.

No campo da Inteligência Artificial, o Swarm Learning é um framework de Machine Learning descentralizado, baseado na tecnologia blockchain e que foi concebido para analisar dados distribuídos sem necessidade de agregação. Ao mesmo tempo, ele é capaz de reservar a privacidade, garantir a propriedade e soberania dos dados, agregando segurança baseada em blockchain.

No framework estabelecido para o Swarm Learning, tanto as operações de treinamento do modelo quanto a inferência dos resultados, utilizando o modelo treinado previamente, ocorrem totalmente nas bordas da da rede. Ou se preferir, na edge cloud.

Assim, o poder de computação é utilizado próximo ou junto às fontes dos dados para executar os algoritmos de Machine Learning, como apresentado na figura abaixo:

Resumidamente, uma arquitetura Swarm Learning possui cinco componentes conectados entre si na forma de uma rede distribuída.

• Nós Swarm Learning (SL). Estes nós executam um algoritmo de Machine Learning definido pelo usuário. Esse algoritmo é chamado de Swarm Learning ML Program e ele é o responsável por é responsável por treinar e atualizar o modelo de forma iterativa.
• Nós Swarm Network (SN). Eles formam a rede blockchain (atualmente baseada no Ethereum) e interagem uns com os outros para manter informações globais sobre o modelo que está sendo treinado e acompanhar o progresso.
• Nó Swarm Learning Command Interface (SWCI). O nó SWCI é a interface de comando para a estrutura do Swarm Learning e através dele podemos visualizar o status, controlar e gerenciar a estrutura de aprendizado.
• Nós Spifee Spire Server. Eles fornecem a segurança para toda a rede. A plataforma pode executar um ou mais nós do Spire Server que estão conectados entre si para formar uma federação.
• Nó License Server. A licença para executar a plataforma Swarm Learning é instalada e gerenciada pelo nó License Server. Todos os nós do Swarm Learning devem usar a mesma plataforma de Machine Learning: Keras (based on TensorFlow 2) ou PyTorch.

Cada nó Swarm Learning (SL) participante da rede realizará o treinamento de um modelo comum de ML utilizando os seus próprios dados locais, representados pelas organizações da figura anterior, que não são compartilhados com os demais nós da arquitetura.

Isso permite que os participantes da rede de Machine Learning mantenham a privacidade e a propriedade dos seus dados. Ao invés de compartilhar os dados, os nós SL compartilham entre si apenas os resultados obtidos no treinamento local do modelo de aprendizado comum.

Os parâmetros compartilhados pelos nós SL participantes são então mesclados para obter um modelo preditivo global e colaborativo. O processo é repetido sucessivamente até que o modelo alcance a precisão desejada.

O uso de uma estrutura de segurança baseada em blockchain presente nos nós SN garante que apenas participantes legítimos ingressem na arquitetura distribuída e que cada participante esteja vinculado a um contrato inteligente tanto em termos de contribuição e recompensas.

O Swarm Learning é então capaz de atender vários desafios inerentes ao setor de Saúde: privacidade, propriedade dos dados, colaboração global, segurança e aderência com as normas da indústria (HIPAA, GDPR/LGPD, CCPA e outras).

Diferencial em relação aos sistemas centralizados

O Swarm Learning surge como uma alternativa às arquiteturas centralizadas de Marchine Learning. Nestes modelos tradicionais, os dados são todos movidos da borda, ou edge cloud, para um local central. Este ponto central é normalmente uma nuvem pública (ex: AWS SageMaker e GCP Vertex AI) ou uma nuvem privada (Datacenter).

Assim, os dados são todos armazenados centralmente, geralmente em um Data Lake, ou processados em tempo real. Ocorre o tratamento e a transformação dos mesmos e são aplicados os modelos de aprendizado desejados. Uma vez que ocorre o treinamento do modelo, ele é novamente transportado para as bordas da arquitetura para inferência e produção dos resultados.

E isso gera dificuldade para contornar as necessidades de privacidade, propriedade, eficiência e colaboração descritos anteriormente e que são especialmente importantes na área da Saúde.

Além disso, o Swarm Learning é uma evolução em relação às arquiteturas baseadas em Federação, como o projeto “Federated Learning” do Google, pois ele elimina a necessidade de um líder central: a modelagem de IA é feita completamente pelos dispositivos na borda da rede.

Swarm Learning da HPE

Em 27 de Abril de 2022 a HPE anunciou a sua solução de Swarm Learning. Ela foi desenvolvida pela sua divisão de Pesquisa e Desenvolvimento, o HPE Labs, e promete trazer a tecnologia não apenas para o setor de saúde, mas também para atender as demandas dos setores financeiro, público e industrial.

Press Release

Página da Solução

White Paper

Aplicação prática na Medicina

Um artigo publicado na revista Nature em 26 de maio de 2021 mostra o potencial do Swarm Learning framework. Foram analisados 04 casos de uso aplicados a doenças heterogêneas (COVID-19, tuberculose, leucemia e patologias pulmonares). Os classificadores obtidos pelo Swarm Learning superaram aqueles desenvolvidos individualmente e cumpriram completamente os regulamentos locais de confidencialidade.

https://www.nature.com/articles/s41586-021-03583-3

Rights and permissions: This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution, and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license, and indicate if changes were made: https://creativecommons.org/licenses/by/4.0/

Créditos: Hewlett Packard Enterprise, Amazon Web Services e Nature