Workshop Federated Learning

Die Qualität von Algorithmen ist überwiegend mit der verfügbaren Datenmenge verbunden. In den letzten Jahren hat diese Verfügbarkeit rasant zugenommen. Insbesondere das Internet of Things (IoT) erzeugt große Datenmengen von Millionen von Geräten. Das ermöglicht es, immer bessere Machine-Learning-Modelle zu trainieren. In der Praxis kann die Bereitstellung dieser Daten zum Trainieren eines zentralisierten Modells jedoch aufgrund gesetzlicher Beschränkungen oder technischen Hürden bei der Übertragung großer Datenmengen über geringe Bandbreiten problematisch sein. Eine Lösung für diese Herausforderungen ist Federated Learning – das föderierte Lernen.

Federated Learning – eine Antwort für Unternehmen in punkto Künstlicher Intelligenz (KI)

Hier werden alle Trainingsdaten ausschließlich auf lokalen Geräten oder Clients gespeichert und das Modelltraining dezentralisiert. Die Clients erhalten ein Modell und verbessern es durch Lernen aus ihren lokalen Daten. Eine Zusammenfassung des aktualisierten Modells eines Clients wird über verschlüsselte Kommunikation an einen Server gesendet. Dort wird es mit den Aktualisierungen anderer Clients zu einem gemeinsamen globalen Modell aggregiert, das heißt zu einem einzigen globalen Modell verschmolzen. Danach wird dieses Modell wieder an die Clients gesendet, und der Trainingsprozess wird so lange so fortgeführt, bis das Modell hinreichend trainiert wurde.

Federated Learning im Projekteinsatz

Wir setzten Federated Learning bereits im Rahmen des Projektes »Bauhaus Mobility Lab « (BML) erfolgreich ein. Ziel des Projektes ist der Aufbau einer digitalen Laborplattform, auf der KI-Technologien mit Daten kombiniert werden. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Innovationswettbewerbs »Künstliche Intelligenz als Treiber volkswirtschaftlich relevanter Ökosysteme« im zweistelligen Millionen-bereich bis 2023 gefördert.

Kursinhalte

Der ganztägige Workshop besteht aus mehreren Vorträgen zu unterschiedlichen Aspekten von Federated Learning mit anschließenden Diskussionsrunden.
Dabei werden folgende Themen behandelt:

• Einführung in Federated Learning – Grundkonzepte und Use Cases
• Algorithmen und Variationen von Federated Learning
• Systemdesign und Design Pattern
• Datenschutz und Datensicherheit, inkkusibe Methoden zur Sicherstellung von Datenschutz
• Bestehende Frameworks und Demo