FOTO: GETTY IMAGES/DAN; GRAFIK: ASCS/JULIA ZIMMERMANN Server Server sendet globales Modell an Clients Server aggregiert Trainingsparameter und sendet globales Modell zurück an Clients Clients senden trainierte Modelle bzw. gewichtete Parameter zurück an Server Clients trainieren mit lokalen Daten Laptop Edge Gerät Computer Smartphone Anna Borodenko, IHK-Koordinatorin für Digitalisierung, IT-Sicherheit und KI Tel.: 030 / 315 10-522 anna.borodenko@ berlin.ihk.de Digitalisierung | 55 Berliner Wirtschaft 12 | 2024 Trendschau Die ÖFIT-Trendschau verortet und bewertet neue Themenlandschaften in der öffentlichen IT: oefit.de/trendschau einige Limitationen, die sich aus der zentralisierten Erstellung des trainierten Modells ergeben, gelöst, die sonst einen „Single point of failure“ darstellen. Es gibt viele Vorteile, die ein dezentrales Training von KI hat. Die offensichtlichsten sind Datenschutz und Sicherheit. Sensible Daten bleiben vor Ort auf lokalen Servern gespeichert, zu keinem Zeitpunkt kommt es zu einem Transfer auf einen fremden Server. Außerdem lässt sich FL gut skalieren, insbesondere wenn Akteure zu unterschiedlichen Zeiten beitreten wollen. Anwendungsbeispiele für föderales Lernen Trotzdem kommt FL bisher noch wenig zum Einsatz. Das liegt unter anderem an der Schwierigkeit, für jeden Client die individuellen Gegebenheiten für das Training berücksichtigen zu müssen. Neben der technischen Komplexität ist auch der zusätzliche organisatorische Aufwand zu beachten. Nur wenn Konsens über die Standards und Zielvorgaben des Modells besteht, kann FL funktionieren. Dafür braucht es Koordination zwischen den Unternehmen. Auch kostspielige Infrastrukturmaßnahmen können gegebenenfalls einschränkend wirken. Neben dem beschriebenen Szenario des gemeinsamen Trainings über Unternehmensgrenzen hinweg gibt es noch weitere Anwendungsgebiete. FL kann in „Smart Cities“ eingesetzt werden, um den Nutzen von Edge Computing und Sensoren zu optimieren und Probleme in Großstädten wie Verkehrsstaus und Gefährdung von Fußgängern zu adressieren. Anders als bei herkömmlichen Methoden, die Daten zu einem zentralen Server übertragen müssen, um neu- ronale Netze für den Einsatz an den Endgeräten zu trainieren, kann mittels des föderalen Lernens die Datenübertragung optimiert werden. Dafür muss jeder dieser Edge-Computer in der Lage sein, Trainingsprozesse eigenständig durchzuführen, was für kleinere Modelle realistisch, ab einer gewissen Größe jedoch zu Kapazitätsproblemen führen könnte. Dementsprechend ist ein solcher Einsatz nicht in jedem Szenarium geeignet, sondern muss von Fall zu Fall individuell entschieden werden. ■ Federated learning Ein Lernansatz für KI, der die Nutzung von Daten aus mehreren Quellen bei hoher Sicherheit ermöglicht
RkJQdWJsaXNoZXIy MTk5NjE0NA==