/01Wie funktioniert Federated Learning?
Beim klassischen zentralisierten Lernen werden alle Trainingsdaten auf einem Server gesammelt. Federated Learning dreht diesen Prozess um: Das Modell wird zu den Daten gebracht, nicht umgekehrt. Jeder Teilnehmer — ein Gerät, eine Filiale oder ein Partner — trainiert das Modell lokal auf seinen eigenen Daten und sendet nur die Modellaktualisierungen (Gradienten) an einen zentralen Server.
Dieser Server aggregiert die Aktualisierungen aller Teilnehmer zu einem verbesserten Gesamtmodell (typischerweise durch Federated Averaging) und verteilt es wieder. Die Rohdaten verlassen nie den lokalen Bereich — ein grundlegender Datenschutzvorteil.
/02Einsatzszenarien
Federated Learning eignet sich besonders dort, wo Datenschutz, Regulierung oder Wettbewerb einer zentralen Datenbündelung entgegenstehen:
- Gesundheitswesen: Kliniken trainieren gemeinsam Diagnosemodelle, ohne Patientendaten zu teilen
- Finanzbranche: Banken verbessern gemeinsam Betrugserkennungsmodelle ohne Kundendatenabgabe
- Industrie 4.0: Maschinendaten bleiben im Werk, das Ausfallprognosemodell wird übergreifend verbessert
- Mobile Geräte: Smartphone-Keyboards lernen persönliche Tippgewohnheiten rein lokal
Merksatz
Federated Learning löst nicht alle Datenschutzprobleme: Aus Gradienten können unter bestimmten Umständen Rückschlüsse auf Trainingsdaten gezogen werden. Kombination mit Differential Privacy erhöht den Schutz deutlich.
/03Relevanz für den Mittelstand
Für mittelständische Unternehmen, die mit sensiblen Kundendaten oder Betriebsdaten arbeiten, ermöglicht Federated Learning die Teilnahme an branchenweiten KI-Initiativen ohne Datenweitergabe. Dies ist insbesondere interessant für Konsortialmodelle innerhalb einer Branche oder zwischen Zulieferern und OEMs. Der Aufwand für Infrastruktur und Koordination ist jedoch nicht trivial — eine sorgfältige Kosten-Nutzen-Analyse ist vor der Implementierung empfehlenswert.