Federated Learning ist ein Training, bei dem die Daten an ihrem Ort bleiben: Jedes Gerät oder jeder Standort trainiert mit den eigenen Daten, und nur die daraus entstandenen Modellverbesserungen werden zusammengeführt. Die Daten selbst verlassen ihren Platz nicht.
- Federated Learning (Föderiertes Lernen)
Ein Training, bei dem die Daten an ihrem Ort bleiben und nur Modellverbesserungen zusammengeführt werden.
Beispiel: „Per Federated Learning verbesserte sich die Tastaturvorhersage, ohne dass getippte Texte das Telefon verließen.“Wie es abläuft: Eine zentrale Stelle schickt den aktuellen Modellstand, jeder Teilnehmer trainiert damit lokal, schickt die Veränderungen zurück, und die werden gemittelt. Das wiederholt sich in Runden.
Wofür es gebaut wurde: Telefone, Krankenhäuser, Banken. Also überall, wo viele Daten vorliegen, die nicht an einen Ort dürfen.
Wofür es taugt
Für Zusammenarbeit zwischen Häusern, die ihre Daten nicht teilen dürfen. Mehrere Kliniken können ein gemeinsames Modell trainieren, ohne Patientendaten auszutauschen; mehrere Werke eines Konzerns können Produktionsdaten verwerten, ohne sie in eine Zentrale zu geben. Das sind die Fälle, in denen das Verfahren den Unterschied zwischen Projekt und kein Projekt ausmacht.
Was es nicht garantiert
Anonymität. Aus den zurückgeschickten Veränderungen lassen sich unter Umständen Rückschlüsse auf einzelne Datensätze ziehen, und bei kleinen Teilnehmerzahlen ist das leichter. Datenschutz entsteht erst mit zusätzlichen Maßnahmen, etwa gezielt eingebrachtem Rauschen und einer Zusammenführung, die einzelne Beiträge nicht sichtbar macht.
Was es im Betrieb schwierig macht
Die Ungleichheit der Teilnehmer. Geräte sind unterschiedlich schnell, zeitweise offline und haben sehr verschiedene Datenmengen; ein Standort mit zehnmal so vielen Daten zieht das gemeinsame Modell zu sich. Die Verfahren dagegen sind der eigentliche Forschungsgegenstand und noch nicht in jeder Werkzeugkiste.
Wo es im Mittelstand vorkommt
Selten, und meistens ist es nicht nötig. Für die Datenmengen eines einzelnen Betriebs genügt eine Verarbeitung an einem Ort mit sauberem Vertrag; der Aufwand des verteilten Trainings lohnt erst, wenn mehrere unabhängige Häuser zusammenarbeiten. Als Argument in einer Datenschutzdebatte wird es häufiger genannt als eingesetzt.