Federated Learning Wechsel vom zentralisierten zum verteilten Modelltraining

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

QUNIS GmbH

Xpand Solutions GmbH

Mithilfe des Federated Learning (FL) ist es möglich, KI-Modelle auf dezentralisierten Daten zu trainieren, ohne sie zentralisieren oder teilen zu müssen. Dadurch lassen sich unter Einhaltung des Datenschutzes bessere Entscheidungen treffen.

Für die Effektivität von KI-Modellen müssen sie mit möglichst großen Datenmengen trainiert werden. Das kann ein Problem für Anwender sein, die häufig mit sensiblen Kunden- oder proprietären Daten umgehen, und für die Weitergabe dieser Daten Auflagen für den Datenschutz beachten müssen. Federated Learning (FL) kommt zum Einsatz, indem lokale Datensätze verwendet werden, ohne sie auszutauschen.

So können Unternehmen ein gemeinsames Modell erstellen, ohne Trainingsdaten an einem zentralen Ort abzulegen. Federated Learning ermöglicht daher auch ein kontinuierliches Lernen auf (mobilen) End-User-Geräten und stellt gleichzeitig sicher, dass die Daten der End-User diese Geräte nicht verlassen.

Ablauf des Federated Learning

Im Wesentlichen funktioniert das Federated Learning wie folgt:

• Input: Jedes Gerät erhält vortrainierte oder nicht trainierte ML-Modelle und trainiert sie mit ihren lokalen Daten. Die Geräte teilen ihre Rohdaten weder untereinander noch mit einem zentralen Server.

• Modell-Aggregation: Die Geräte senden ihre lokal trainierten Modelle zurück an den zentralen Server. Der Server aggregiert dann die lokalen Modelle, um ein gemeinsames Modell zu erstellen.

• Modell-Bewertung: Die Modell-Aktualisierungen werden bewertet, um die Genauigkeit zu bestimmen und Verbesserungen gegenüber der vorherigen Version zu identifizieren.

• Wiederholen: Der gemeinsame Modellprozess wird wiederholt, bis das Modell ein zufriedenstellendes Genauigkeitsniveau erreicht oder bis eine vorgegebene Anzahl von Iterationen erreicht ist.

Vorteile des Federated Learning

Federated Learning ist ein aufstrebender Teil im Bereich des Maschinellen Lernens (ML) und bietet bereits erhebliche Vorteile gegenüber herkömmlichen, zentralisierten maschinellen Lernansätzen. Die Vorteile des Federated Learning umfassen:

• Datensicherheit: Bewahrung des Trainingsdatensatzes auf den Geräten, daher ist kein Datenpool für das Modell erforderlich.

• Datenvielfalt: Federated Learning erleichtert den Zugriff auf heterogene Daten auch in Fällen, in denen Datenquellen nur zu bestimmten Zeiten kommunizieren können.

• Echtzeit: Modelle werden anhand von Kundendaten ständig verbessert, ohne dass Daten für kontinuierliches Lernen zwingend aggregiert werden müssen.

• Effektivität und Skalierbarkeit: Wenn alle Daten an einem Ort gespeichert sind, dauert das Training eines Modells länger, als wenn sie an vielen verschiedenen Orten gespeichert sind. FL ermöglicht es, dass an jedem Ort mit weniger Rechenleistung oder Speicherplatzbedarf schneller trainiert werden kann, als es mit dem herkömmlichen maschinellen lernen möglich wäre.

• Flexibilität: Einer der Hauptvorteile des FL ist die Fähigkeit, sich an neue Situationen anzupassen, die zum Zeitpunkt der Erstellung eines Modells noch nicht bekannt waren. In vielen Fällen können Modelle auf neue Situationen angewendet werden, ohne sie von Grund auf neu trainieren zu müssen. Dies liegt daran, dass das Modell aus früheren Erfahrungen lernen und auf der Grundlage dessen, was es zuvor gelernt hat, Vorhersagen treffen kann.

• Modellübergreifende Nutzung: Verbesserungen in einer Anwendung können auch anderen Anwendungen zugutekommen. Wenn ein Modell beispielsweise lernt, ein Ergebnis in einem Bereich besser vorherzusagen, kann dieses Wissen auf einen anderen Bereich angewendet werden, wo es auch die Leistung verbessern bzw. die Kosten reduzieren kann.

Anwendungsfälle für Federated Learning

Die Anwendungen von FL lassen sich über eine Vielzahl von Branchen verteilen. In diesen Branchen kann Federated Learning zur Lösung zahlreicher Probleme eingesetzt werden:

• Mobile Anwendungen: FL ist für die Vorhersage des nächsten Wortes, Gesichtserkennung, Spracherkennung usw. einsetzbar.

• Healthcare: Die Gesundheits- und Krankenversicherungsbranche kann FL nutzen, da es den Schutz vertraulicher Daten in der ursprünglichen Quelle ermöglicht. FL-Lernmodelle bieten eine bessere Datenvielfalt, indem sie Daten von verschiedenen Orten (Krankenhäusern, Datenbanken für elektronische Krankenakten etc.) sammeln, um seltene Krankheiten zu diagnostizieren.

• Autonome Fahrzeuge: Mithilfe von Echtzeitdaten und Vorhersagen kann FL ein besseres und sichereres selbstfahrendes Auto bieten. Autonome Fahrzeuge brauchen sichere Echtzeit-Informationen über Verkehr und Straßen, eine Entscheidungsfindung in Echtzeit und kontinuierliches Lernen, um auch auf neue Situationen reagieren zu können. FL kann alle diese Anforderungen erfüllen.

• Vorausschauende Wartung: Fertigungsunternehmen können FL einsetzen, um vorausschauende Wartungsmodelle für Geräte zu entwickeln. Eine vorausschauende Wartung kann auf einige Hindernisse stoßen, wie beispielsweise Kunden, die ihre persönlichen Daten nicht teilen möchten, oder Probleme beim Exportieren von Daten aus verschiedenen Ländern bzw. Standorten.

• Kundenservice: Mit FL ist es möglich, Maschinen so zu trainieren, damit sie in verschiedenen Situationen angemessen reagieren. Dies versetzt die Mitarbeiter in die Lage, sich auf andere Bereiche ihrer Arbeit zu konzentrieren, um beispielsweise den Kunden eine bessere Betreuung zu bieten.

• Effizienz von Werbekampagnen: Marketingabteilungen können FL nutzen, um die Effizienz ihrer Werbekampagnen zu optimieren, indem sie die aus Kampagnen gesammelten Daten besser analysieren können. Das heißt, wie beispielsweise Verbraucher auf bestimmte Arten von Werbemitteln reagieren und welche Faktoren diese Reaktionen beeinflussen.

• Produktivität der Mitarbeiter: Unternehmen nutzen FL, um die Produktivität ihrer Mitarbeiter zu verbessern. Dies ist möglich, indem sie Daten über die Arbeitsgewohnheiten und das Produktivitätsniveau der Mitarbeiter sammeln. FL bietet in diesem Zusammenhang zwei Vorteile: Es hilft den Mitarbeitern, ihre Arbeit effizienter zu erledigen, damit sie ihre Projekte schneller abschließen können, was den Unternehmen Kosten spart. Es hilft den Mitarbeitern auch, sich intensiver mit ihrer Arbeit zu beschäftigen, da sie bei jedem Schritt personalisiertes Feedback von Experten erhalten.

(ID:49695982)