Federated Learning vereint KI und Datenschutz
Federated Learning bietet einen Kompromiss für Unternehmen, die ihre Daten schützen, sie aber trotzdem für das Training eines Machine-Learning-Modells einsetzen wollen: ein lokales Vortraining dezentraler Modelle, die anschließend zusammengeführt werden – ohne dass die hauseigenen Daten das Unternehmen verlassen.
Bei der Entwicklung von Machine-Learning-Modellen kann man sich durchaus auf das Prinzip „Viel hilft viel“ verlassen. Qualität und Güte von Algorithmen sind untrennbar mit der verfügbaren Menge relevanter Daten verbunden. Big-Tech-Unternehmen sind in der komfortablen Situation, dass sie über ausreichend Daten ihrer Nutzer verfügen und sich die Möglichkeit gesichert haben, sie zum Modelltraining zu nutzen. Anders sieht die Situation bei klassischen Unternehmen aus, insbesondere im B2B-Umfeld. Dort sind es üblicherweise nicht die KI-Anbieter selbst, die Daten erheben und sammeln, sondern Anwenderunternehmen – zum Beispiel im Maschinenbau, wo sie aus der verbauten Sensorik stammen. Um mit diesen Daten Modelle zu trainieren, gibt es zwei Optionen: Entweder trainiert der Modellanbieter ein zentrales Modell mit allen Daten oder die Anwender trainieren dezentrale und unabhängige Modelle direkt vor Ort.
Im ersten Fall übergeben die Anwenderunternehmen die Daten an den Hersteller, der sie zentral sammelt, ein KI-Modell darauf trainiert und es dann den Anwendungsunternehmen bereitstellt. Das Modell lernt hier über alle Anwender. Unternehmen geben ihre Daten allerdings prinzipiell ungern weiter, denn sie fürchten, dass sie damit sensible Informationen wie Produktionsprozesse oder geistiges Eigentum preisgeben könnten.