Aprendizado Federado na Agricultura Inteligente: Um Modelo Colaborativo para o Controle de Doenças Agrícolas
A detecção precoce de doenças agrícolas é um desafio crítico para garantir a produtividade e a segurança alimentar. Métodos tradicionais muitas vezes exigem a centralização dos dados, o que pode gerar preocupações com privacidade e segurança. Esta dissertação aborda a aplicação do Aprendizado Federado (FL) para melhorar esse processo, permitindo o treinamento colaborativo de modelos de Machine Learning (ML) sem a necessidade de compartilhamento direto de dados sensíveis. A metodologia inclui o uso de computação em nuvem para armazenamento e processamento descentralizado, além do design de um sistema de ML adaptável. Os resultados indicam que essa abordagem melhora a precisão na detecção de doenças sem comprometer a privacidade, oferecendo soluções escaláveis para o setor agrícola. Conclui-se que o FL possui grande potencial para aumentar a eficiência na agricultura, promovendo maior resiliência e produtividade.