Federated learning (aprendizado federado)

O federated learning tem implicações jurídico-penais relevantes em três frentes principais.

(i) Proteção de dados pessoais e LGPD: a técnica é apresentada como solução de privacy by design — os dados pessoais permanecem nos dispositivos dos titulares, reduzindo significativamente a superfície de ataque e os riscos de vazamento massivo. A adoção de federated learning em tratamentos de alto risco pode funcionar como elemento demonstrativo de diligência adequada às exigências do art. 46 da LGPD.

Entretanto, estudos recentes demonstram que atualizações de gradientes podem, em certas condições, vazar informações sensíveis sobre os dados de treinamento — os chamados "gradient leakage attacks" —, razão pela qual o federated learning deve ser combinado com differential privacy (DP-FedAvg) e com técnicas de agregação segura para oferecer garantias mais robustas.

(ii) Aplicações em setores sensíveis: federated learning é particularmente relevante em contextos em que a centralização de dados é juridicamente vedada ou eticamente problemática — prontuários médicos entre hospitais, dados bancários entre instituições financeiras, dados biométricos entre órgãos públicos. Em investigações criminais envolvendo esses setores, a arquitetura federada altera substancialmente as possibilidades de produção de prova, pois não há um "repositório único" a ser requisitado.

(iii) Responsabilização distribuída: quando um modelo treinado por federated learning produz dano, a análise dogmática sobre autoria e responsabilidade enfrenta complexidade adicional — os dados que formaram o modelo estão distribuídos entre múltiplos participantes, cada um com sua parcela de contribuição. A atribuição de responsabilidade penal por eventuais resultados lesivos exige análise cuidadosa da governança do sistema federado, dos acordos contratuais entre participantes, dos critérios de agregação e da qualidade dos dados contribuídos por cada nó. Para investigações criminais, a rastreabilidade das contribuições específicas de cada participante é elemento crítico, exigindo AI audit trails robustos em cada nó da federação.