O Agente K-alibra é um orquestrador baseado em Modelos de Linguagem (LM) projetado para ajustar dinamicamente o número de clientes () participantes em cada rodada de Aprendizado Federado (FL).Ele foi criado para superar a rigidez de algoritmos estáticos tradicionais, que geralmente utilizam um número fixo de clientes, o que pode resultar em ineficiência ou sobrecarga de rede.
O projeto foi desenvolvido a partir de uma parceria de pesquisadores da Universidade Estadual de Campinas (UNICAMP), da Universidade Federal do Pará (UFPA) e da Universidade Federal de Minas Gerais (UFMG) que fazem parte do ICoNIoT. São eles: Rafael O. Jarczewski (UNICAMP), Eduardo Cerqueira (UFPA), Antonio Loureiro (UFMG) , Leandro A. Villas (UNICAMP) e Allan de Souza (UNICAMP). Ele está publicado nos anais do SBRC 2026, e pode ser lido na íntegra aqui.
O Aprendizado Federado (FL) é uma maneira de treinar inteligência artificial de forma segura, já que os dados de cada pessoa ficam protegidos em seus próprios aparelhos, sem precisar serem enviados para uma central. O problema é que esse processo costuma gastar muita internet e fica difícil de gerenciar quando há muitos usuários.
Atualmente, para tentar resolver isso, os sistemas escolhem quais aparelhos vão participar do treino. Porém, esses sistemas são “teimosos”: eles costumam usar sempre a mesma quantidade de aparelhos, sem mudar esse número conforme a necessidade do momento. Isso faz com que o processo gaste recursos desnecessários ou demore para aprender.
Para acabar com essa rigidez, foi criado o K-Agent. Ele funciona como um “chefe” inteligente (usando modelos de linguagem, parecidos com o que há por trás de chats de IA) que decide dinamicamente quantos aparelhos devem participar em cada etapa.Ele trabalha em três passos:
- Percebe como está a situação atual do treino.
- Raciocina para encontrar a melhor estratégia.
- Age, definindo o número ideal de participantes.
Os testes mostraram que o K-Agent é muito eficiente: ele consegue economizar entre 44,4% e 59% do uso da internet em comparação com os métodos tradicionais, mantendo o aprendizado estável e de alta qualidade.
Além disso, ele consegue explicar o porquê de suas decisões, tornando o sistema mais transparente para os desenvolvedores.