Was ist Federated Learning und welche Vorteile bietet es?
Federated Learning trainiert ein gemeinsames KI-Modell direkt auf vielen Geräten – die Rohdaten bleiben lokal, nur Modell-Updates werden geteilt.
Federated Learning (föderiertes Lernen) ist ein Ansatz im maschinellen Lernen, bei dem ein gemeinsames Modell trainiert wird, ohne dass die Trainingsdaten zentral gesammelt werden. Die Daten bleiben dort, wo sie entstehen – auf den einzelnen Geräten.
Wie es funktioniert
Der Ablauf ist zyklisch:
- Ein zentraler Server verteilt das aktuelle Modell an viele Geräte (z. B. Smartphones).
- Jedes Gerät trainiert das Modell lokal mit den eigenen Daten weiter.
- Nur die Modell-Updates (nicht die Daten) werden zurück an den Server geschickt.
- Der Server kombiniert alle Updates zu einem verbesserten Gesamtmodell – und der Zyklus beginnt von vorn.
Die Vorteile
Der größte Pluspunkt ist Datenschutz: Sensible Rohdaten verlassen das Gerät nie. Das ist ideal für Tastatur-Vorschläge, Gesundheits-Apps oder Anwendungen unter strengen Datenschutzvorgaben wie der DSGVO. Zusätzlich spart man Bandbreite, weil keine riesigen Datensätze hochgeladen werden müssen, und kann Daten nutzen, die aus rechtlichen Gründen ein Standort nie verlassen dürften.
Die Herausforderungen
Geräte sind unterschiedlich leistungsfähig und mal online, mal offline. Die Daten sind ungleich verteilt, was das Zusammenführen erschwert. Und auch Modell-Updates können in seltenen Fällen Rückschlüsse zulassen – weshalb oft zusätzliche Schutzverfahren wie Verschlüsselung kombiniert werden.
Fazit
Federated Learning bringt das Modell zu den Daten statt die Daten zum Modell. So lässt sich KI trainieren, ohne die Privatsphäre der Nutzer aufzugeben – ein wichtiger Baustein für datenschutzfreundliche Anwendungen.
Mehr zum Thema findest du in unserer Übersicht: Künstliche Intelligenz: Alle Artikel im Überblick.