Data terbaik untuk melatih AI sering kali tersebar di banyak institusi dan tidak boleh dipindahkan. Federated learning memungkinkan model belajar dari semuanya tanpa sentralisasi data.
Sejak UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi berlaku penuh, banyak inisiatif AI terhenti di pertanyaan yang sama: bolehkah data ini dipindahkan ke satu tempat untuk melatih model?
Untuk rumah sakit, bank, perusahaan asuransi, dan grup usaha dengan banyak entitas, jawabannya sering kali "tidak", atau "boleh, tetapi dengan proses yang sangat panjang". Padahal model AI yang baik membutuhkan data yang beragam dari banyak sumber.
Cara kerja federated learning
Alih-alih mengumpulkan data ke pusat, model dikirim ke setiap lokasi data. Setiap lokasi melatih model secara lokal, lalu hanya mengirim pembaruan parameter, bukan data. Server koordinator menggabungkan pembaruan dari semua lokasi menjadi satu model global yang lebih baik, lalu proses diulang.
Lapisan perlindungan tambahan
Pembaruan parameter pun secara teori masih bisa membocorkan informasi. Karena itu implementasi produksi perlu:
- Secure aggregation, sehingga koordinator hanya melihat hasil gabungan, bukan kontribusi masing-masing lokasi.
- Differential privacy, yaitu noise terukur yang mencegah rekonstruksi data individu.
- Enkripsi kanal dan autentikasi setiap peserta.
- Audit log setiap putaran training.
Tantangan nyata di lapangan
Data di setiap lokasi jarang seragam (non-IID). Koneksi antarlokasi bisa tidak stabil, dan kapasitas komputasi berbeda-beda. Tata kelola konsorsium juga harus jelas: siapa pemilik model, bagaimana kontribusi dihargai, dan bagaimana peserta bisa keluar. Bagian non-teknis ini sering menjadi penentu keberhasilan.
Kapan federated learning tepat?
Ketika data tidak boleh atau sulit dipindahkan, tersebar di banyak pihak, dan nilai model gabungan jelas lebih tinggi daripada model tiap pihak secara terpisah. Contohnya deteksi fraud lintas entitas, citra medis lintas rumah sakit, dan model prediktif untuk jaringan cabang.