Föderiertes Lernen ist eine verteilte Machine-Learning-Technik, die das Training von Modellen über mehrere Teilnehmer hinweg ermöglicht, sei es Geräte, Organisationen oder Rechenzentren, ohne dass Rohdaten ihren ursprünglichen Standort verlassen müssen. Statt Daten zu zentralisieren, sendet föderiertes Lernen das Modell zu den Daten, aggregiert die gelernten Updates und erzeugt ein verbessertes globales Modell.
Der Prozess des föderierten Lernens funktioniert wie folgt: Ein zentraler Server verteilt ein globales Modell an die teilnehmenden Knoten, jeder Knoten trainiert das Modell auf seinen lokalen Daten, die Knoten senden nur Modell-Updates (Gradienten oder Gewichte) an den Server zurück, nicht die Rohdaten, der Server aggregiert die Updates aller Knoten, um das globale Modell zu verbessern, und der Zyklus wiederholt sich, bis das Modell konvergiert.
Zu den wichtigsten Vorteilen für die Unternehmens-KI gehören: die Wahrung des Datenschutzes (sensible Daten verlassen niemals ihre Quelle), regulatorische Compliance (ermöglicht KI-Training ohne grenzüberschreitende Datenübertragungen), wettbewerbliche Zusammenarbeit (Organisationen können Modelle gemeinsam trainieren, ohne proprietäre Daten zu teilen), ein geringeres Risiko der Datenzentralisierung (kein einzelner Kompromittierungspunkt) und KI-Training am Edge (Modelle können aus Daten auf Mobilgeräten, IoT-Sensoren und Edge-Infrastruktur lernen).
Zu den Herausforderungen gehören: Kommunikationsaufwand (Übertragung von Modell-Updates über Netzwerke), heterogene Daten (uneinheitliche Datenverteilungen über die Teilnehmer hinweg), Sicherheitsrisiken (Modell-Updates können durch Inferenzangriffe Informationen preisgeben) und Koordinationskomplexität. Datenschutzfördernde Techniken wie Differential Privacy und sichere Aggregation werden häufig mit föderiertem Lernen kombiniert, um einen stärkeren Schutz zu erreichen.