O aprendizado federado esparso, aliado ao feedback de robôs no chão de fábrica, elevou a precisão da triagem de cobre de 60% para 94% em apenas três rodadas de treinamento, mantendo os dados de cada participante sob total segurança. O avanço é importante porque mostra um caminho para a reciclagem de lixo eletrônico de maior qualidade sem forçar fabricantes, recicladores ou fundições a expor designs proprietários, logs de sensores ou modelos de processo.
Por que o problema é importante
O lixo eletrônico contém metais valiosos, mas a extração deles é um exercício intensivo em dados. Designers protegem projetos detalhados, recicladores possuem fluxos de dados de vibração, imagem e texto de linhas de desmontagem, e fundições executam simulações de processamento proprietárias. Nenhuma dessas partes quer entregar dados brutos por medo de perder vantagem competitiva ou violar regulamentações de privacidade. Os silos de dados resultantes prejudicam a economia circular: metais preciosos escapam pelas frestas e os fabricantes perdem oportunidades de melhorar o manuseio do fim de vida dos produtos.
Como o aprendizado federado esparso aborda a realidade da fábrica
O aprendizado federado padrão — onde múltiplos dispositivos treinam um modelo compartilhado