ETD

• cloud-edge continuum
• distributed machine learning
• edge ai
• federated fine-tuning
• federated learning
• trustworthy artificial intelligence

Artificial Intelligence is increasingly shifting from centralized cloud infrastructures to distributed edge environments, yet current models still treat edge devices mainly as passive data sources. This creates bandwidth bottlenecks, privacy risks, and limited support for collaborative training across heterogeneous devices. This thesis extends the cloud-edge continuum to enable seamless AI execution across cloud, edge, and client resources, using federated learning as both an application domain and an analytical lens. It addresses four core challenges: orchestration, accessibility, trustworthiness, and production readiness. The work introduces the Cloud-Edge-Client Continuum architecture for temporary clusters in safety-critical settings; FLAT, a zero-install browser-based federated learning approach built on ONNX and WebAssembly; and extensions to Flower for continuum-aware operation. It further improves trustworthiness through homomorphic encryption, FedObj for detecting dishonest clients, and HEXA for efficient federated fine-tuning under high variability. Finally, it focuses on the gap between research and production, defines evaluation metrics, and presents FLeeT, a Kubernetes-native federated learning platform benchmarked against Flower and NVIDIA FLARE, exposing key operational gaps.

L’Intelligenza Artificiale si sta spostando sempre più da infrastrutture cloud centralizzate verso ambienti edge distribuiti, ma i modelli attuali considerano ancora i dispositivi edge soprattutto come semplici fonti di dati. Questo approccio genera colli di bottiglia a livello di rete, problemi di privacy e un supporto limitato all’addestramento collaborativo su dispositivi eterogenei. La tesi estende il paradigma del cloud-edge continuum per consentire l’esecuzione continua di applicazioni di IA tra cloud, edge e client, utilizzando il federated learning sia come dominio applicativo sia come lente di analisi. Il lavoro affronta quattro sfide principali: orchestrazione, accessibilità, affidabilità e maturità operativa. A tal fine introduce l’architettura Cloud-Edge-Client Continuum per creare cluster temporanei in contesti safety-critical; FLAT, un approccio di federated learning nel browser, senza installazione, basato su ONNX e WebAssembly; ed estensioni di Flower per un funzionamento integrato con il continuum. La tesi affronta inoltre l'affidabilità dei nodi partecipanti tramite crittografia omomorfica, FedObj per individuare i nodi malevoli e HEXA per un fine-tuning federato efficiente in scenari di dati eterogenei. Infine, si concentra sul divario tra ricerca e produzione e definisce le metriche di valutazione e presenta FLeeT, una piattaforma Kubernetes-native per il federated learning, confrontandola con Flower e NVIDIA FLARE per evidenziarne i limiti operativi.