Kommentar von Jürgen Angele, Adesso Föderierte Künstliche Intelligenz – gemeinsames Lernen, getrennter Erfolg

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Sinequa

Insider Research

adesso AG

Künstliche Intelligenz (KI) erfordert Bewegung. Unternehmen, die von den Vorteilen der Technologien profitieren wollen, müssen das Thema unkonventionell angehen. Es gilt, außerhalb etablierter Berichtswege, Abteilungsgrenzen und Strukturen zu denken. Erst dann entfalten KI-Anwendungen ihr ganzes Potenzial. Ein Beispiel dafür: der Ansatz der föderierten KI.

Föderierte KI löst ein Problem, dem Unternehmen quer durch viele Branchen – vom Finanzsektor bis hin zu Maschinenbau – gegenüberstehen. Einerseits liefern KI-Anwendungen bessere Ergebnisse, je mehr Daten ihnen zur Verfügung stehen. Andererseits ist der Umgang mit Daten ein sensibles Thema. Rechtliche Aspekte sind ebenso relevant wie wirtschaftliche Interessen. So verbietet es sich in vielen Zusammenhängen, Daten mit anderen Unternehmen zu teilen. Obwohl genau das der richtige Weg wäre, um bessere KI-Anwendungen zu entwickeln.

Einsatzszenarien quer durch alle Branchen

Ein Beispiel aus der Bankenwelt verdeutlicht die Zusammenhänge. Das Thema Betrugserkennung steht für Verantwortliche in Banken oben auf der Agenda. Ob Geldwäsche, Embargoverstöße oder Betrug: Banken sind angehalten zu prüfen, ob die Überweisungen ihrer Kunden den gesetzlichen Rahmenbedingungen entsprechen. Die schiere Masse der Transaktionen und die Geschwindigkeit auf den Finanzmärkten sorgen bei dieser Aufgabe für komplexe Abläufe. Gleichzeitig ist die wirtschaftliche Bedeutung hoch. Immer wieder zahlen Banken empfindliche Strafzahlungen, weil sie ihren Verpflichtungen nicht nachkommen.

Automatisierte Prüfprozesse spielen eine wichtige Rolle. Hier zeigen KI-Anwendungen, was für ein Potenzial sie haben. Die Verantwortlichen trainieren die Modelle darauf, Auffälligkeiten in Buchungen zu entdecken. Im Zentrum stehen Technologien wie Neuronale Netze und Deep Learning. Jede einzelne Bank baut auf Basis der vorhandenen Datensätze eigene Algorithmen. Dabei würde die unternehmensübergreifende Zusammenarbeit Vorteile für alle Beteiligten bringen. Alle könnten auf neue Gefährdungsmuster, die zunächst nur bei einem Finanzinstitut auftreten oder erst in der Kombination der Daten mehrerer Banken erkennbar sind, schneller reagieren. Oder kritische Vorgänge früher erkennen, bei denen Kriminelle größere Überweisungssummen aufteilen und über mehrere Banken und Strohmänner abwickeln.

Aber – und das ist ein großes aber – der Austausch dieser Transaktionsdaten zwischen Banken ist kaum möglich. Ein Finanzhaus will sich bei seinen Kundenbeziehungen nicht in die Karten schauen lassen. Gleichzeitig reguliert der Gesetzgeber die Weitergabe dieser sensiblen Daten streng. Föderierte KI sorgt dafür, dass eine Gruppe von Banken von den Vorteilen von KI-Anwendungen profitiert. Und das, ohne die Nachteile in Kauf zu nehmen.

Nur Modellparameter an eine zentrale Instanz

Bei diesem Ansatz fließen keine Transaktionsdaten hin und her, die die Fachleute dann in die jeweiligen Modelle integrieren. Hier übergeben die lokalen Modelle lediglich bestimmte Modellparameter an eine zentrale Instanz. Diese zentrale Instanz integriert die Parameter zu einem neuen Gesamtmodell und spielt dieses zurück an die Beteiligten. Die Banken tauschen keine Daten aus, sondern den Lernfortschritt ihrer Modelle. Verfahren wie Secure Aggregation – ein Ansatz zum Verschleiern von Originaldaten – sorgen dafür, dass kein Beteiligter Rückschlüsse auf Trainingsdaten ziehen kann. Das zentrale Modell arbeitet fast genauso, als stünden ihm diese Trainingsdaten zur Verfügung.

Google-Expertinnen und -Experten entwickelten diesen Ansatz ursprünglich, um die Qualität der Textvervollständigung auf mobilen Geräten verbessern. Das System lernt aus der Interaktion mit dem Nutzer: Wird ein Wortvorschlag akzeptiert oder abgelehnt? Das Übertragen der erfassten Daten an eine zentrale Instanz verbietet sich aus Datenschutzgründen. Dies wäre aber nötig, um bessere Ergebnisse für alle Anwenderinnen und Anwender zu erzielen. Ein Dilemma, das die föderierte KI auflöst. Das Lernen findet auf den Endgeräten statt. Anwendungen geben nur die Parameter des Lernfortschritts weiter. Diese sind die Grundlage für ein besseres Gesamtmodell.

Fachleute übertragen die Grundidee der föderierten KI – dezentrales Lernen verbessert ein zentrales Modell, das dann die angeschlossenen Modelle aktualisiert – auf eine ganze Reihe Branchen und Anwendungsfälle. Neben den oben beschriebenen Szenarien rund um Betrugserkennung in der Finanzindustrie sind dies beispielsweise:

• Netzwerksicherheit: Angriffe auf Unternehmensnetzwerke – ob Volumetric DDos, Low-and-slow DDos oder Portscans – halten IT-Abteilungen in Atem. KI-Anwendungen helfen, dass Verantwortliche das Muster von Attacken frühzeitig identifizieren und Gegenmaßnahmen einleiten. Der Austausch der Daten über die Art und Weise der illegalen Aktivitäten würde Unternehmen helfen. Sie könnten schneller und präziser reagieren. Dies würde aber auch Details über die eigene IT-Infrastruktur verraten, die Wettbewerber nicht kennen sollten. Auch hier bietet sich der Ansatz der föderierten KI an.

• Vorausschauende Wartung: Lösungen rund um das Thema Predictive Maintenance – wann droht beispielsweise eine Maschine auszufallen – sind für viele Unternehmen aus der Industrie ein zentraler KI-Anwendungsfall. Hersteller von Maschinen verbauen Sensoren und Übertragungstechnologie, damit ein Anwenderunternehmen seine Nutzungsdaten erfassen und auswerten kann. Diese sind die Grundlage für das Prognostizieren von Ausfallwahrscheinlichkeiten. Auch hier würden alle Unternehmen, die den gleichen Maschinentypus nutzen, vom Austausch der Daten leben. Und auch hier spricht das Wahren von Betriebsgeheimnissen dagegen. Wer will seinem Wettbewerber schon exakte Auskunft darüber geben, wie die eigenen Maschinen ausgelastet sind? Föderierte KI löst dieses Problem.

Weitere Szenarien wie autonomes Fahren oder Anwendungen zur Bild- beziehungsweise Texterkennung liegen auf der Hand. Das Einsatzgebiet für föderierte KI-Ansätze ist breit. Aktuell beschäftigt sich ein Forschungsprojekt des Bundesministeriums für Bildung und Forschung mit dem Ausarbeiten von Anwendungsfällen. Unter dem etwas sperrigen Namen „Künstliche Intelligenz in sicheren Web-Infrastrukturen mit digitalem Identitätsmanagement“ (KIWI) arbeiten hier sechs Partner aus Wirtschaft und Forschung zusammen.

Noch ist die Idee der föderierten KI nicht hundertprozentig ausgereift. Aktuell arbeiten Forschende daran, das Zusammenspiel zwischen dem zentralen Modell und den dezentralen Akteuren – beispielsweise Banken oder autonom fahrenden Autos – als Kreislauf zu gestalten. Statt des einmalgien Aktualisierens der Modelle ist das Ziel ein permanenter Prozess, in dem die Beteiligten Parameter austauschen und die Leistungsfähigkeit verbessern.

Die Ausführungen zeigen: Föderierte KI eröffnet Verantwortlichen die Möglichkeit, KI-Verfahren in Prozessen einzusetzen, in denen dies bisher schwer oder nicht möglich war. Insbesondere in der unternehmensübergreifenden Zusammenarbeit spielt der Ansatz seine Stärken aus. Auch im Verhältnis Kunde-Unternehmen lassen sich passende Szenarien finden, siehe das Beispiel der Textvervollständigung. Wenn der Datenaustausch eine Hürde ist, ist föderierte KI ein Instrument, um diese Hürde zu überwinden.

(ID:47420038)