Federated Learning (deutsch: föderiertes Lernen oder federales Lernen, abgekürzt FL) ist ein dezentraler Ansatz des maschinellen Lernens, bei dem Modelle direkt auf verteilten Geräten oder Servern trainiert werden, ohne dass die Rohdaten zentral gesammelt werden müssen. Die Daten verbleiben dabei lokal – nur Modellparameter oder Gradienten werden an eine zentrale Instanz weitergeleitet.
Ziel ist es, Datenschutz und Datenhoheit zu gewährleisten und dennoch leistungsfähige, globale Modelle zu erstellen.
Warum: Die Bedeutung von Federated Learning
Federated Learning ist in einer datensensiblen Welt von hoher Relevanz, da es zentrale Herausforderungen adressiert:
- Datenschutz: Rohdaten bleiben auf den Endgeräten – ideal für DSGVO-konforme Anwendungen.
- Dezentrale Datenquellen: Viele relevante Daten liegen verteilt vor (z. B. auf Smartphones, Sensoren, Kliniken).
- Effizienz: Reduktion der Netzwerkbelastung, da nur Modellupdates übertragen werden.
- Vertrauen und Akzeptanz: Nutzer:innen behalten die Kontrolle über ihre Daten, was die Nutzung sensibler Informationen erleichtert.
Kurz: Federated Learning bietet KI mit eingebautem Datenschutz – ohne auf leistungsstarkes Modelltraining verzichten zu müssen.
Wie: Funktionsweise von Federated Learning
Der Trainingsprozess im Federated Learning unterscheidet sich deutlich vom klassischen zentralisierten Training:
- Initialisierung
Ein zentrales Modell wird bereitgestellt und an die teilnehmenden Geräte oder Knoten verteilt. - Lokales Training
Jedes Gerät trainiert das Modell mit seinen eigenen lokalen Daten. - Übermittlung der Updates
Statt der Daten werden nur Modellaktualisierungen (z. B. Gewichtsänderungen oder Gradienten) zurück an den Server gesendet. - Aggregation
Der zentrale Server aggregiert die Updates (z. B. per Federated Averaging) und aktualisiert das globale Modell. - Verteilung
Das verbesserte Modell wird zurück an die Teilnehmer gesendet – der Zyklus beginnt erneut.
Wichtig: Daten verlassen niemals das lokale Gerät – es wird nur Wissen, nicht Information übertragen.
Was: Merkmale und Einsatzgebiete von Federated Learning
Zentrale Merkmale:
- Datensparsamkeit: Nur Modellparameter, keine sensiblen Rohdaten werden übertragen.
- Skalierbarkeit: Funktioniert über tausende oder Millionen Endgeräte.
- Sicherheit: Kann mit Techniken wie Differential Privacy oder Secure Aggregation kombiniert werden.
- Heterogenität: Daten und Rechenleistung sind auf den Geräten unterschiedlich – FL muss damit umgehen können.
Typische Anwendungsfelder:
| Bereich | Beispiel |
|---|---|
| Mobilgeräte | Tastaturvorschläge (z. B. Gboard), Sprachmodelle |
| Gesundheitswesen | Training medizinischer KI über Krankenhäuser hinweg |
| Finanzsektor | Risikomodelle über verschiedene Banken hinweg |
| Industrie & IoT | Maschinelles Lernen über dezentrale Fertigungsanlagen |
| Smart Cities | Analyse von Verkehrs- und Umweltdaten auf Edge-Geräten |
Fazit zu FL – Federated Learning
Federated Learning ist eine Schlüsseltechnologie für datenschutzfreundliche KI. Es verbindet leistungsfähiges maschinelles Lernen mit der Wahrung von Datenhoheit, was es besonders attraktiv für sensible Anwendungsbereiche wie Gesundheit, Mobilität oder Finanzen macht.
Mit dem wachsenden Bewusstsein für Datenschutz, regulatorische Anforderungen (z. B. DSGVO) und dem Trend zur Edge AI wird Federated Learning in Zukunft eine tragende Rolle in der verantwortungsvollen KI-Entwicklung spielen.
