Federated Learning

Optimierung von Maschinen, Analyse medizinischer Daten, effizienter Einsatz von Düngemittel – die Anwendungsfälle des föderalen Lernens sind vielfältig. Damit aus der Idee auch ein konkretes Data Product entsteht, das den gewünschten Mehrwert liefert, braucht es Informationen.
Hier muss oft ein Kompromiss getroffen werden, der den Mehrwert schmälern kann. Das liegt verständlicher Weise daran, dass nicht alle Daten frei zugänglich sind.

Hersteller sind darauf bedacht nicht alle Spezifikationen, die ihren USP darstellen mit Dritten zu teilen. Der medizinische Bereich muss Patientendaten vertraulich behandeln, die fertigende Industrie ihre Materialbestandteile oder Prozessschritte.

Um diesen vermeintlichen Widerspruch gerecht zu werden, kann Federated Learning eine Lösung darstellen. Hierbei werden keine Daten sondern lediglich Modelle getauscht!

Geschützte Daten

Es werden keine Daten ausgetauscht – nur Modelle! Es lassen sich also weder Rückschlüsse auf Maschinenspezifikationen, Prozess- oder Materialzusammensetzungen noch auf persönliche Daten treffen.

Modellqualität steigt

Durch die Nutzung verschiedener lokaler Geräte fließen mehr Informationen in das finale Modell ein, als dies vorher möglich war. Geräte können so von den „Erfahrungen“ anderer Geräte profitieren.

Time-to-Market

Durch das parallele Trainieren ein und desselben Modells auf lokaler Ebene, verkürzt sich die Entwicklungszeit des zentralen Modell drastisch – Optimierungen können also schneller verfügbar gemacht werden als bisher.

Was unterscheidet Federated Learning von  klassischem Machine Learning?

Beim klassischen Machine Learning geschieht die Optimierung der Modelle durch einen zentral gesteuerten Datensatz, der alle relevanten Informationen enthält.

Beim Federated Learning werden verschiedene Versionen desselben Modells auf lokalen Geräten trainiert. Anschließend werden die so lokal optimierten Modelle in ein zentrales Modell zusammengeführt und dieses wieder auf die lokalen Geräte ausgespielt.

Wie lässt sich Federated Learning umsetzen?

Von der Use-Entwicklung über die Entwicklung bis hin zum Support unterstützen wir Sie bei der Umsetzung ihres Projekt.

 

 

 

 

Federated Learning Workshop

Workshopsituation

 

Erklärung, Evaluation und Umsetzung! Wir beraten Sie zum Thema Federated Learning!

 

 

 

Zum Workshop

Das passende Environment

 

Mit einer intuitiven Knotenstruktur und den lokal anpassbaren Umgebungen für Machine-Learning-Modelle kann YUNA elements Ihren Weg zu Federated Learning ebnen.

 

Mehr erfahren

Whitepaper: Federated Learning

 

Das erfolgreiche KI- und Data Science Projekt beginnt beim Mindset, braucht das richtige Team und das passende Skillset. Erfahren Sie mehr zum Thema in unserem verständlichen Whitepaper!

 

Zum Whitepaper

Ihr Ansprechpartner zum Thema:
Oliver Bracht

Kontakt aufnehmen
oliver bracht potrait