Workshop Federated Learning

Die Qualität von Algorithmen ist immer auch mit der nutzbaren 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 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 so lange fortgeführt, bis das Modell hinreichend trainiert wurde.

Erfolgreicher Einsatz von Federated Learning 

Das bekannteste Beispiel für Federated Learning sind Textunterstützungen in Smartphones. Darüber hinaus gibt es zahlreiche bereits erfolgreiche Anwendungen – sei es in einer App zur Vorhersage eines Schlaganfalls oder bei der in der Prognose von Krebs. Ebenso lassen sich viele Beispiele finden,  z.B. bei der Prüfung von dezentralen Abrechnungsdaten im Gesundheitswesen oder im Marketing sowie bei der individuellen Risikoanalyse.

Wir gehen gerne mit Ihnen die individuellen Use Cases durch oder Brainstormen gemeinsam welcher Einsatz für Sie in Frage kommt. Dazu organisieren wir gerne auch einen eigenen Workshop.

Kursinhalte und möglicher Ablauf eines Workshops

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

• Einführung in Federated Learning – Grundkonzepte der Anwendungen inklusive Use Cases
• Algorithmen und Variationen von Federated Learning, Aggregierungsvarianten
• Systemdesign und Design Pattern
• Datenschutz und Datensicherheit, inkkusive Methoden zum Sicherstellen von Datenschutz
• Bestehende Frameworks und Präsentation anhand einer Demo

Federated Learning im Projekteinsatz

Wir setzen Federated Learning bereits u.a. 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 wurde vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Innovationswettbewerbs »Künstliche Intelligenz als Treiber volkswirtschaftlich relevanter Ökosysteme« gefördert.