🧠 Aprendizado
O Bounded Context de Aprendizado implementa a inteligência distribuída do PAEBIRU através de Aprendizado Federado (Federated Learning). Aqui, o conhecimento é construído de forma colaborativa sem que os dados brutos jamais saiam de seus nós de origem.
1. Arquitetura Federada
O PAEBIRU utiliza um modelo de federação descentralizada:
- FedAvg (Federated Averaging): Algoritmo padrão para agregação de pesos de modelos.
- Deltas de Peso: Os nós treinam localmente e enviam apenas a diferença (delta) dos pesos, reduzindo drasticamente o uso de banda.
- Agregação Bizantina: Mecanismos como Krum e FoolsGold são usados para detectar e descartar contribuições maliciosas ou ruidosas.
2. Split-DNN e Privacidade
Para modelos complexos que não cabem inteiramente em um MuleNode, utilizamos Split-DNN:
- Fatiamento: A rede neural é dividida. O nó de borda executa as primeiras camadas (extração de features) e um nó de fog/cloud executa as camadas finais.
- Differential Privacy: Adição de ruído controlado aos gradientes para garantir que informações sensíveis não possam ser reconstruídas.
3. Hardware-Aware Learning (FLAIR)
O aprendizado é sensível ao estado físico do nó através do framework FLAIR:
- Pruning Adaptativo: Se um nó está com bateria baixa ou alta temperatura (Algedonia), ele reduz a densidade do modelo (pruning) para economizar energia.
- Quantização Dinâmica: Alternância entre precisão total (FP32) e quantização agressiva (INT4/INT8) com base na disponibilidade de recursos.
4. Integração com Plasmídeos
O resultado de um round de aprendizado federado é frequentemente encapsulado em um Plasmídeo:
- O agregador consolida os pesos.
- Os novos pesos são injetados em um template de plasmídeo.
- O plasmídeo é assinado via FROST (assinaturas distribuídas).
- A nova “inteligência” é propagada pela malha.
5. Invariantes do Domínio
- Soberania do Dado: Dados brutos nunca são transmitidos.
- Resiliência Bizantina: O sistema deve convergir mesmo com uma porcentagem de nós adversariais.
- Maturidade Causal: Rounds de aprendizado são ordenados via DVV para evitar ataques de replay ou confusão temporal.