Il 29 aprile 2026 il MIT ha pubblicato un metodo per il training di modelli AI con preservazione della privacy direttamente sui dispositivi degli utenti, senza richiedere la centralizzazione dei dati su un server remoto. La direzione di ricerca riprende il filone del federated learning ma lo estende a scenari operativi su hardware consumer.
Il problema affrontato
Il training di modelli AI richiede oggi, nella stragrande maggioranza dei casi, la raccolta dei dati di training su un’infrastruttura centralizzata. Questo pattern entra in tensione con almeno tre principi normativi:
- il principio di minimizzazione del GDPR, che chiede di trattare solo i dati necessari per la finalità;
- il vincolo di localizzazione richiesto per categorie particolari di dati (sanitari, biometrici);
- le aspettative di tracciabilità richieste dall’art. 53 dell’AI Act sui modelli di uso generale.
Il contributo MIT
Il metodo proposto consente di compilare un modello aggiornato sulla base delle interazioni sul dispositivo — smartphone, laptop, dispositivi IoT — senza che i dati grezzi lascino il dispositivo. L’aggiornamento viene contributo al modello globale tramite parametri aggregati, con tecniche di privacy differenziale e secure aggregation.
La novità rispetto agli approcci precedenti riguarda due aspetti pratici:
- efficienza energetica compatibile con dispositivi non datacenter: il training non scarica la batteria del dispositivo né richiede tempi non disponibili;
- compatibilità con modelli moderni: il metodo regge architetture di scala paragonabile ai LLM medi, non solo modelli giocattolo.
Implicazioni regolatorie
Per i regolatori europei, un metodo di questo tipo riduce la tensione tra capacità di un modello AI e principi di protezione dei dati. Per le aziende che operano in settori regolati — sanità, finanza, infrastrutture critiche — offre un’alternativa al training centralizzato che prima era difficile da realizzare per ragioni operative.
Resta aperta la valutazione operativa su un perimetro di dispositivi reali: efficienza, robustezza ad avversari che provano a estrarre informazioni sui dati di training osservando gli aggiornamenti, esperienza utente. La pubblicazione MIT è un passo avanti, non una soluzione già in produzione.
Fonti
MIT News, «Enabling privacy-preserving AI training on everyday devices», 29 aprile 2026: news.mit.edu.