Figure 1. Ilustrasi proses Federated Learning pada perangkat pengguna (https://research.google/blog/federated-learning-collaborative-machine-learning-without-centralized-training-data/)

Pernahkah kita bertanya: bagaimana keyboard smartphone bisa semakin akurat menebak kata yang kita tulis, padahal tidak ada satu pun pesan pribadi yang kita kirimkan ke cloud? Atau mengapa smartwatch bisa mengenali pola tidur kita tanpa mengunggah seluruh riwayat kesehatan ke server? Jawabannya adalah Federated Learning, pendekatan modern untuk melatih AI tanpa harus mengumpulkan data pengguna ke pusat data. Data tetap tinggal di perangkat kita; justru model AI-lah yang datang kepada data, bukan sebaliknya.

Konsep ini sederhana, tetapi dampaknya besar: AI menjadi lebih pintar tanpa menyentuh privasi penggunanya.

Bagaimana Federated Learning Bekerja?

Jika machine learning tradisional memerlukan seluruh data dikumpulkan ke satu server, federated learning membalik arusnya.

Alurnya kira-kira seperti ini:

  1. Server mengirim model awal ke perangkat.
  2. Perangkat melatih model tersebut menggunakan data lokal (yang tidak pernah diupload).
  3. Hanya parameter model yang diperbarui (bukan data mentah) dikirim kembali ke server.
  4. Server menggabungkan (aggregate) ratusan ribu pembaruan menjadi model global versi terbaru.
  5. Model yang membaik dikirim lagi ke perangkat.

Siklus ini berulang hingga model semakin cerdas, tanpa satu byte pun data pribadi meninggalkan perangkat.

Contoh di Dunia Nyata

  1. Gboard & Prediksi Kata
    Federated learning pertama kali populer lewat Google Gboard. Keyboard mempelajari kebiasaan mengetik pengguna tanpa membaca isi chat. Yang dikirim bukan pesan kita, melainkan update parameter kecil yang memperbaiki model prediksi.
  1. Smartwatch & Pemeriksaan Kesehatan
    WearOS dan Apple Health mempelajari pola detak jantung dan aktivitas kita secara lokal. Tidak perlu mengunggah rekaman kesehatan lengkap ke cloud.
  1. Aplikasi Smart Home
    Perangkat IoT dapat mengenali rutinitas rumah kapan lampu dinyalakan, suhu ruangan yang nyaman tanpa harus menyimpan semua data pengguna di server pusat.
  1. Analisis Medis Kolaboratif
    Rumah sakit dapat berbagi peningkatan model AI tanpa berbagi data pasien, mengurangi risiko data bocor atau disalahgunakan.

Figure 2. Federated Learning dalam lingkungan medis terdistribusi (https://blogs.nvidia.com/blog/what-is-federated-learning/)

Mengapa Federated Learning Penting untuk Masa Depan AI?

  1. Privasi Terjaga Karena Data Tidak Pergi ke Mana-Mana
    Data sensitive chat, foto, sensor kesehatan, lokasi tetap tersimpan di perangkat. Server hanya melihat “peningkatan model”, tidak pernah melihat konten data.
  2. Lebih Aman Secara Desain
    Federated learning mendukung teknik tambahan seperti Secure Aggregation yaitu server hanya menerima hasil gabungan; update individual terenkripsi dan Differential Privacy noise matematis menjaga anonimitas data, sehingga model menjadi lebih cerdas, tetapi jejak pengguna tidak dapat diidentifikasi.
  3. Lebih Hemat Bandwidth
    Daripada mengunggah dataset besar, perangkat hanya mengirim nilai parameter kecil kadang hanya beberapa kilobyte.
  1. Personalisasi Tinggi
    AI bisa menyesuaikan diri dengan kebiasaan pengguna, namun tetap menjaga data tetap lokal.

Figure 3. Tahapan Federated Learning: inisialisasi, pelatihan lokal, dan agregasi (https://www.geeksforgeeks.org/machine-learning/collaborative-learning-federated-learning/)

 

Tantangan Federated Learning

Walau menjanjikan, teknologi ini punya beberapa tantangan teknis:

  1. Kapasitas Komputasi Perangkat Beragam
    Tidak semua perangkat memiliki GPU atau Neural Engine yang kuat. Solusinya adalah model yang dibuat ringkas dan efisien.
  2. Data Tidak Terdistribusi Secara Seimbang
    Setiap perangkat punya pola data berbeda-beda. Federated Averaging (FedAvg) dan variant lainnya dikembangkan untuk mengatasi hal ini.
  3. Proses Agregasi Rumit
    Server harus menggabungkan ribuan update model yang datang dari perangkat berbeda. NVIDIA, Google, dan IBM mengembangkan framework khusus untuk menyederhanakannya.
  4. Koneksi Tidak Selalu Stabil
    Model harus tetap dapat dilatih bahkan saat perangkat offline. Inilah mengapa smartphone menyimpan update dulu lalu mengirim ketika terhubung.

Masa Depan AI: On-Device dan Terdistribusi

Tren AI saat ini bergerak menuju on-device AI model yang berjalan langsung di chip perangkat, didukung oleh:

  1. Neural Processing Unit (NPU)
  2. Edge TPU
  3. Apple Neural Engine
  4. Qualcomm Hexagon DSP

Federated learning adalah pasangan ideal untuk era ini. Model dapat terus berkembang tanpa intervensi server besar, dan tanpa “menyentuh” privasi pengguna. Pada akhirnya, federated learning adalah bentuk AI yang lebih manusiawi: ia belajar dari kita, tetapi tidak pernah mengintip kehidupan kita.

 

Penulis:
Emmanuel Daniel Widhiarto, S.Kom – FDP Scholar

Referensi