Le choix entre l’apprentissage machine centralisé ou distribué dépend des spécificités de chaque projet de machine learning. Alors que l’apprentissage centralisé est souvent plus simple et plus rapide à mettre en place, il peut être limité par la quantité de données disponibles et peut être coûteux en termes de ressources de stockage et de calcul. En revanche, l’apprentissage distribué, comme l’apprentissage fédéré, permet de traiter des données distribuées sur plusieurs appareils, ce qui peut être plus économique et améliorer la confidentialité des données, mais cela peut également introduire des défis liés à la coordination et à la qualité des données. Le choix entre ces deux approches doit être déterminé par les objectifs du projet, la disponibilité des données et des ressources, ainsi que les exigences en termes de sécurité et de confidentialité. Lors de ce séminaire, je présenterai mes travaux de recherche actuels sur l'apprentissage centralisé et fédéré, en mettant en avant les opportunités et les défis inhérents à ces approches. De plus, j’aborderai les diverses applications interdisciplinaires de ces techniques d’apprentissage machine.