Скачать или смотреть Vale a Pena Treinar Mais? Green AI e Trade-offs Energéticos em Aprendizado Federado

Este vídeo apresenta uma análise dos trade-offs entre desempenho, custo computacional e impacto ambiental em Sistemas de Detecção de Intrusão (IDS) baseados em Aprendizado Federado, sob a perspectiva de Green AI. Investigamos como decisões de configuração afetam simultaneamente a qualidade da detecção e a sustentabilidade do sistema.

Utilizando o dataset UNSW-NB15 e o algoritmo FedAvg, conduzimos experimentos controlados avaliando dois eixos principais: escalabilidade horizontal (variação do número de clientes) e intensidade computacional (combinações de rodadas federadas e épocas locais). Além de métricas tradicionais de desempenho, incorporamos métricas de consumo energético e emissões estimadas de CO₂, alinhadas aos princípios de Green AI.

Os resultados mostram que configurações mais intensivas nem sempre produzem ganhos proporcionais de desempenho, enquanto configurações mais leves podem alcançar resultados próximos com uma fração do custo energético. Esses achados reforçam a importância de considerar eficiência e sustentabilidade no projeto de sistemas de IA distribuídos.

Este conteúdo faz parte de um trabalho de pesquisa em nível de mestrado, voltado a pesquisadores, estudantes e profissionais interessados em Aprendizado Federado, Cibersegurança, Green AI e Sistemas Distribuídos.

Se você trabalha ou estuda nessas áreas, deixe seu comentário ou compartilhe — a discussão sobre IA eficiente e sustentável é cada vez mais necessária.

Este vídeo foi desenvolvido no contexto da disciplina Inteligência Artificial para Negócios, ofertada no Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal do Pará (UFPA), cursada como disciplina externa no âmbito do meu mestrado em Ciência da Computação.

#GreenAI
#AprendizadoFederado
#FederatedLearning
#Cibersegurança
#IntrusionDetection
#MachineLearning
#AIResearch
#Sustentabilidade
#CyberSecurity