Federated Learning – Sichere KI durch Lastenverteilung
Künstliche Intelligenz (KI) kann mithilfe von einer großen Datenmenge einige Unternehmensprozesse verstärken, da neuronale Netzwerke Muster in den Daten erkennen. Trainiert man diese über eine lange Zeit und mit viel Rechenleistung, können dabei sehr gute Ergebnisse herauskommen, mit denen Sie Prozesse optimieren können. Doch leider hat nicht jedes Unternehmen diese Ressourcen zur Verfügung. Föderales Lernen (Federated Learning) kann eine Antwort auf dieses Problem sein.
Was ist Federated Learning?
Federated Learning (FL) ist eine Form von maschinellem Lernen, die statt auf einem Rechner auf mehreren Geräten gleichzeitig durchgeführt wird. Dazu kann beispielsweise auch ein Smartphone oder Tablet dienen. Die Datensätze liegen also nicht auf einer zentralen Datenbank, sondern sind überall verteilt. Diese Daten müssen nicht hin- und hergeschickt werden, da jedes Gerät eigene Daten sammeln und diese lokal verarbeiten kann. Die Ergebnisse werden dann auf den Geräten ausgewertet und lediglich die wichtigsten Parameteränderungen werden zu einem zentralen Server gesendet. Da dies nicht immer nötig ist, da zum Beispiel jedes Gerät mit einem eigenen Datenmodell auskommt, kann dieser zentrale Server auch weggelassen werden. Das wäre dann ein dezentraler Ansatz.
Vorteile des Federated Learnings
Federated Learning hat mehrere Vorteile, die alltägliche Probleme der KI-Welt lösen können. Die drei wichtigsten Vorteile haben ich Ihnen hier zusammengefasst:
- Datensätze müssen nicht verschickt werden: FL erlaubt mehreren Geräten gemeinsam zu einem KI-Modell beizutragen, ohne die Datensätze verschicken zu müssen. Das erhöht die Datensicherheit und Privatsphäre, da Übertragungen immer Risiken bergen.
- Mobile Nutzung: KI findet dank FE seinen Weg zu mobilen Endgeräten: Geräte wie Smartphones, Tablets oder Laptops ohne einen starken Rechner im Hintergrund können signifikante Ergebnisse erzielen.
- Keine Internetverbindung nötig: Prognosen können auch abgerufen werden, wenn keine Internetverbindung besteht. Das KI-Modell befindet sich lokal auf dem Endgerät, wodurch Sie es direkt nutzen können, ohne erst eine Serverabfrage machen zu müssen.
Dieser lustige Comic von Google veranschaulicht das alles im Business-Kontext nochmal ganz gut.
Anwendungsgebiete von Federated Learning
Viele Anwendungsfälle, die durch limitierende Faktoren wie fehlende Ressourcen oder mangelnde Datensicherheit vorher undenkbar waren, spielen jetzt wieder eine Rolle. Nutzen Sie die Mobilität von FL, um Daten auf vielen Geräten zu sammeln und live zu verarbeiten. So können Sie FL in jedem Anwendungsgebiet anwenden.
Spielt Datensicherheit eine große Rolle für Sie, beispielsweise in einem Patientenverhältnis? Dann müssen Sie sich keinen Kopf machen: Daten bleiben auf den jeweiligen Geräten und werden nicht mehr zentral gesammelt und über riskante Serververbindungen verschickt. Secure Multi-party Computation (SMC) sorgt dafür, dass jede Partei nur ihren eigenen Input und Output kennt. Alles andere bleibt privat. Wenn Sie Parameter des Modells teilen wollen, können Sie auch diese extra verschlüsseln.
Das Gesundheitswesen setzt Federated Learning öfter ein: Zum Beispiel für die Bildverarbeitung von MRT-Aufnahmen zur Tumorerkennung. FE ist hierbei eine große Hilfe, da es Erfahrungen aus großen Datensätze sammelt ohne dabei sensible klinische Daten teilen zu müssen.
Fazit
Die ansteigende Isolierung von Daten und die erhöhte Beachtung der Privatsphäre hat die Einführung von performanten KI-Modellen in den letzten Jahren sehr erschwert. Federated Learning könnte die Antwort darauf sein und KI (zurück) in Ihr Business bringen. Grund dafür ist, dass Sie Datensätze nicht verschicken müssen und das Modell mobil und ohne Internetverbindung nutzen können.
Haben Sie Fragen zu Federated Learning? Dann treten Sie in Kontakt mit uns. Wir beantworten Ihnen gerne Ihre Fragen rund um das Thema.
Digitales Lernsystem zur Förderung Ihrer Mitarbeiter
Ein digitales Lernsystem oder Lernmanagement genannt ist das Herzstück der heutigen Personalabteilung und Entwicklung. Erfahren Sie mehr darüber!