Nel mondo moderno, le telecamere sono ovunque. Osservano le nostre strade, monitorano le nostre fabbriche e tengono d'occhio le nostre case, generando un flusso costante di dati visivi. Per decenni, il modo standard per insegnare ai computer a comprendere queste immagini è stato quello di inviare le immagini grezze a un server centrale nel cloud. Lì, potenti computer analizzano i dati per migliorare il software. Tuttavia, questo approccio sta diventando sempre più difficile. Le leggi relative alla privacy ora spesso vietano l'invio di immagini personali a una posizione centrale, e il puro costo del movimento di enormi quantità di dati video sta diventando proibitivo. Un approccio più recente, noto come apprendimento federato (federated learning), offre una strada diversa. Invece di inviare le foto al computer, il computer va verso le foto. L'apprendimento avviene direttamente sui dispositivi delle telecamere. I dispositivi imparano dalle proprie immagini locali e inviano indietro solo piccoli aggiornamenti criptati su ciò che hanno imparato, lasciando indietro le foto grezze. Questo mantiene al sicuro i dati privati, ma introduce un nuovo insieme di problemi. Le telecamere sono spesso piccoli dispositivi alimentati a batteria con connessioni internet limitate, e i dati che vedono variano enormemente a seconda di dove sono posizionate.

Un ricercatore ha sviluppato un nuovo metodo per rendere questo apprendimento locale efficiente e accurato su queste reti di telecamere. Il suo lavoro affronta due grandi ostacoli che hanno impedito a questa tecnologia di essere ampiamente utilizzata. Il primo ostacolo è la connessione internet. Anche se le telecamere non inviano foto, gli aggiornamenti che inviano indietro possono comunque essere troppo grandi per reti lente o affollate. Se ogni telecamera invia un rapporto completo dopo ogni sessione di apprendimento, la rete si intasa e il sistema si blocca. Il secondo ostacolo è la differenza in ciò che vede ogni telecamera. Una telecamera in una strada trafficata vede molte auto e persone, mentre una telecamera in un parco tranquillo vede principalmente alberi e uccelli. Poiché i dati sono così diversi da un dispositivo all'altro, il processo di apprendimento spesso diventa confuso e il risultato finale è meno accurato di quanto dovrebbe essere.

Per risolvere questi problemi, il ricercatore ha creato un framework che combina tre tecniche specifiche. In primo luogo, ha introdotto un modo per comprimere le informazioni inviate al server. Invece di inviare un rapporto completo di ogni minima modifica apportata dal dispositivo al proprio software, il dispositivo identifica solo i cambiamenti più importanti. Invia solo il trenta percento degli aggiornamenti più significativi e una semplice mappa che mostra dove sono avvenuti tali cambiamenti. Ciò riduce la quantità di dati inviati su internet di due terzi senza perdere l'informazione essenziale necessaria per l'apprendimento. In secondo luogo, per gestire la confusione causata dalle diverse viste delle telecamere, ha aggiunto una regola di stabilizzazione. Questa regola incoraggia gentilmente ogni telecamera a rimanere vicina al progresso medio del gruppo, impedendo a un singolo dispositivo di allontanarsi troppo a causa della particolarità dei suoi dati locali. In terzo luogo, ha sostituito un metodo di calcolo interno standard con un'alternativa più robusta. In sistemi in cui alcune telecamere hanno migliaia di immagini e altre ne hanno solo poche, il vecchio metodo di calcolo diventerebbe rumoroso e inaffidabile. Il nuovo metodo funziona in modo costante indipendentemente da quante immagini ha ogni telecamera, garantendo che l'intero gruppo impari senza intoppi.

Il ricercatore ha testato questo sistema utilizzando una simulazione di cinquanta diversi dispositivi di telecamere. Ha utilizzato due set standard di immagini per vedere quanto bene le telecamere potessero imparare a riconoscere gli oggetti. In un test, alle telecamere è stato chiesto di identificare dieci diversi tipi di oggetti, come aerei, gatti e camion. Quando le telecamere hanno utilizzato il nuovo metodo combinato, hanno raggiunto un'accuratezza di quasi il settantanove percento. Questo risultato è impressionante perché è stato raggiunto inviando solo il trenta percento dei dati abituali. Infatti, il sistema ha ridotto la quantità di dati inviati su internet del sessantasette percento rispetto al metodo tradizionale. Il ricercatore ha anche scoperto che, quando le telecamere avevano tipi di dati molto diversi, la regola di stabilizzazione era fondamentale. Senza di essa, l'accuratezza diminuiva significativamente. Con la regola in vigore, il sistema ha recuperato la maggior parte dell'accuratezza persa, dimostrando che la compressione e la regola di stabilizzazione funzionano bene insieme.

Lo studio ha anche rivelato che la scelta del metodo di calcolo interno è molto importante. Quando il ricercatore ha utilizzato il vecchio metodo standard, il processo di apprendimento è diventato instabile e non è migliorato man mano che le telecamere vedevano quantità diverse di dati. Quando ha cambiato con il nuovo metodo più robusto, il sistema è confluito in modo costante e affidabile. Ciò suggerisce che, per le reti di telecamere con quantità variabili di dati, l'approccio standard non è semplicemente adatto. Il ricercatore ha osservato che il suo lavoro era una simulazione, il che significa che le telecamere erano dispositivi virtuali in esecuzione su un singolo computer piuttosto che hardware fisico nel mondo reale. Sebbene i risultati siano promettenti, riconosce che le condizioni del mondo reale, come velocità internet variabili e limitazioni dell'hardware fisico, dovranno essere testate in studi futuri.

Le implicazioni di questo lavoro vanno oltre il semplice miglioramento del software; toccano il modo fondamentale in cui gestiamo la privacy e i dati. In questo framework, una telecamera non carica mai una singola immagine grezza. Le uniche cose scambiate sono aggiornamenti matematici compressi. Per contesto, inviare una singola immagine costa una quantità minima di dati, ma l'aggiornamento compresso utilizzato in questo studio è comunque sostanziale, pur non contenendo alcuna informazione visiva che possa identificare una persona o un luogo. Ciò crea un panorama della privacy fondamentalmente diverso, in cui i dati rimangono con il proprietario e l'apprendimento avviene nelle ombre della rete. Il ricercatore ha concluso che questo approccio rende fattibile l'addestramento di potenti modelli di visione all'estremità della rete (edge), proprio dove i dati vengono creati, senza compromettere la privacy o sovraccaricare internet. Risolvendo i problemi gemelli della larghezza di banda e della diversità dei dati, questo lavoro apre la strada a un futuro in cui le telecamere intelligenti possano imparare e adattarsi localmente, rispettando sia la privacy dell'utente che i limiti della loro connessione.