KIT | KIT-Bibliothek | Impressum | Datenschutz

Föderales maschinelles Lernen

Peters, Robert; Krieger, Benedikt

Abstract:

Unter dem Begriff föderales Lernen (Federated Learning – FL) wird eine Alternative zu zentralen Ansätzen des maschinellen Lernens (Machine Learning – ML) verstanden. Zentrale ML-Architekturen führen Daten von Nutzer/innen zu einem großen Datenpool zusammen und trainieren auf dieser Grundlage KI-Modelle. Bei FL werden die Rohdaten der Nutzer/innen erst gar nicht an einen zentralen Server übertragen. Vielmehr wird das KI-Modell dezentral auf den jeweiligen Endgeräten der Nutzer/innen trainiert. Lediglich die Ergebnisse des lokal ausgeführten Trainingsprogramms werden anschließend zusammengeführt und für das Training eines zentralen KI-Modells verwendet. Unternehmen wie auch Datenschützer erhoffen sich davon eine höhere Akzeptanz bei Nutzer/innen, womit erhebliche gesellschaftliche und ökonomische Potenziale verbunden wären. Bei Smartphones und Sprachassistenten kommt FL bereits heute zum Einsatz. Im Zusammenhang mit industriellen Services, wie der vorausschauenden Instandhaltung (Predictive Maintenance), sind erste Anbieter am Markt. Für sensible Anwendungskontexte, wie das Gesundheitswesen und die Strafverfolgung, sind entsprechende Systeme in der Entwicklung. ... mehr


Volltext §
DOI: 10.5445/IR/1000150233
Veröffentlicht am 31.08.2022
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Technikfolgenabschätzung und Systemanalyse (ITAS)
Publikationstyp Forschungsbericht/Preprint
Publikationsmonat/-jahr 05.2022
Sprache Deutsch
Identifikator ISSN: 2629-2874
KITopen-ID: 1000150233
HGF-Programm 46.24.02 (POF IV, LK 01) Conceptual and Methodological Research
Verlag Büro für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB)
Umfang 10
Serie Themenkurzprofil ; 58
Externe Relationen Siehe auch
Schlagwörter Maschinelles Lernen, KI, FL, Federated Learning
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page