L'apprentissage fédéré (FL) représente un paradigme prometteur pour l'entraînement de modèles sur des données décentralisées, mais sa complexité de conception et de déploiement constitue un frein majeur à son adoption. La nécessité de sélectionner, combiner et ajuster des stratégies pour faire face à des défis multidimensionnels comme l'hétérogénéité des données et les contraintes système aboutit souvent à des solutions fragiles et sur mesure, limitant ainsi le potentiel de cette approche.
Pour résoudre ce problème, les chercheurs présentent Helmsman, un système multi-agents novateur qui automatise la synthèse de bout en bout des systèmes d'apprentissage fédéré à partir de spécifications utilisateur de haut niveau. Ce système reproduit un processus de recherche et développement structuré à travers trois phases collaboratives : une planification interactive avec intervention humaine pour formuler un plan de recherche solide, une génération de code modulaire par des équipes d'agents supervisés, et une boucle fermée d'évaluation autonome et d'affinement dans un environnement de simulation isolé.
Pour permettre une évaluation rigoureuse, l'équipe a également développé AgentFL-Bench, un nouveau benchmark comprenant 16 tâches variées conçues pour évaluer les capacités de génération au niveau système des approches agentiques dans le domaine du FL. Les expérimentations approfondies démontrent que les solutions générées par Helmsman sont compétitives, et souvent supérieures, aux approches manuelles établies, représentant ainsi une avancée significative vers l'ingénierie automatisée des systèmes d'IA décentralisés complexes.