Federated Learning: 7 Anwendungsfälle & Beispiele

Laut aktuellen McKinsey-Analysen gehören zu den dringendsten Risiken bei der Einführung von KI Modell-Halluzinationen, Datenherkunft und -authentizität, regulatorische Nichteinhaltung sowie Schwachstellen in der KI-Lieferkette.¹

Federated Learning (FL) hat sich als grundlegende Technik für Organisationen herauskristallisiert, die diese Risiken mindern möchten. Es ermöglicht Modellen, aus dezentralen Daten zu lernen, während sensible Informationen privat bleiben und den Vorschriften zur Datenlokalisierung und zum Datenschutz entsprechen.

Erfahren Sie, was federiertes Lernen ist, wie es funktioniert, häufige Anwendungsfälle mit Beispielen aus der Praxis, mögliche Herausforderungen und Alternativen.

Anwendungsfälle und Beispiele für federiertes Lernen

Federated Learning unterstützt eine breite Palette von KI-Systemen, bei denen Datensensibilität, Dezentralisierung und Echtzeitanpassung entscheidend sind. Es wird zunehmend in agenter KI, Finanzen, mobilen Anwendungen, Gesundheitswesen, autonomen Verkehrssystemen, intelligenter Fertigung und Robotik eingesetzt und ermöglicht so ein kollaboratives Modelltraining:

1. Agentische KI

Anstatt Daten in einem einzigen gemeinsamen Pool zu sammeln, ermöglicht federiertes Lernen jedem Agenten, direkt aus seinen eigenen Interaktionen oder Umgebungen zu lernen. Der Agent trägt dann nur datenschutzfreundliche Modellaktualisierungen zu einem gemeinsamen Lernprozess bei, ohne Rohdaten offenzulegen.

Dieser Ansatz ermöglicht es Agenten, kontinuierlich zu verbessern, indem sie aus kollektiven Erfahrungen lernen, während sie gleichzeitig Datenschutz, Datenbesitz und regulatorische Anforderungen respektieren.

Dadurch kann agentische KI personalisiert und anpassungsfähig bleiben und gleichzeitig datenschutzbewusst agieren, wodurch sich federiertes Lernen besonders gut für sensible Umgebungen eignet, in denen Agenten unabhängig arbeiten müssen, aber dennoch von Mustern profitieren können, die über Benutzer, Geräte oder Organisationen hinweg beobachtet werden.

Beispiel aus der Praxis: Datenschutzfreundlicher IoT-Eindringerkennungsrahmen

Das schnelle Wachstum von IoT-Geräten hat Fortschritte in Bereichen wie Gesundheitswesen, Smart Cities und industriellen Systemen ermöglicht, hat aber auch die Anfälligkeit für Cyberangriffe und Datenschutzrisiken erhöht.

Herkömmliche zentralisierte Eindringerkennungssysteme basieren auf der Aggregation sensibler Daten, was Kommunikationsaufwand, Datenschutzbedenken und zentrale Ausfallpunkte verursacht. Um diese Einschränkungen zu überwinden, schlägt eine aktuelle Studie einen datenschutzfreundlichen IoT-Eindringerkennungsrahmen vor, der Federated Learning (FL) mit agentischer künstlicher Intelligenz kombiniert.

FL ermöglicht dezentrales Modelltraining, während agentische KI adaptive, selbstlernende und autonome Entscheidungsfähigkeiten hinzufügt, um auf sich entwickelnde Bedrohungen zu reagieren.

Der Rahmen nutzt lokale Anomalieerkennung, sichere Aggregation und leichte Kommunikation, um Genauigkeit und Datenschutz auszugleichen, wobei agentische Komponenten die Verteidigung in Echtzeit optimieren.²

2. Finanz-Anwendungen

Federated Learning ermöglicht es Finanzinstituten, gemeinsam KI-Modelle zu trainieren, ohne Rohdaten zu teilen, sodass jede Organisation sensible Informationen lokal halten kann, während sie zu einem stärkeren gemeinsamen Modell beiträgt.

Dies ist besonders wertvoll für Betrugs- und Finanzkriminalitätsbekämpfung, bei denen Bedrohungen mehrere Banken und Regionen betreffen, aber der Datenaustausch durch Vorschriften wie die DSGVO und das EU-KI-Gesetz eingeschränkt ist.

Beispiel aus der Praxis: Die Rolle des federierten Lernens bei der Verbesserung der finanziellen Sicherheit

Ein aktueller Artikel untersucht federiertes Lernen (FL) als vielversprechende Lösung, um Sicherheit und Datenschutz in modernen Finanzsystemen zu verbessern, insbesondere da digitale Finanzdienstleistungen und IoT-fähige Endpunkte wie Geldautomaten und POS-Geräte große Mengen sensibler Daten generieren.

Der Artikel klassifiziert FL-Anwendungsfälle nach regulatorischer Exposition, von niedrigeren Risiken wie Portfoliooptimierung bis hin zu hochriskanten Aufgaben wie Echtzeit-Betrugserkennung, und hebt jüngste Erfolge bei der Betrugsprävention und blockchainintegrierten Frameworks hervor.

Obwohl FL klare Vorteile in Bezug auf Datenschutz, Compliance und Skalierbarkeit bietet, unterstreicht der Artikel auch anhaltende Herausforderungen wie Datenheterogenität, feindliche Angriffe, Interpretierbarkeit und regulatorische Integration.

Für die Zukunft von FL in der Finanzbranche identifiziert der Artikel die Kombination von FL mit Technologien wie Blockchain, differenzieller Datenschutz, sichere Mehrparteienberechnung und quantensichere Methoden als entscheidend für vertrauenswürdige, zukunftssichere KI-Systeme.³

Beispiel aus der Praxis: Flower mit Banking Circle

Die Federated-Learning-Plattform von Flower hilft Finanzinstituten, KI-Modelle gemeinsam auf dezentralen Daten zu trainieren, wodurch Datenschutz, Sicherheit, Compliance und Vorhersagegenauigkeit für Aufgaben wie Betrugserkennung, Risikobewertung und andere Analysen verbessert werden.

Banking Circle, eine globale Zahlungsbank, die einen erheblichen Anteil der europäischen E-Commerce-Transaktionen abwickelt, nutzt KI, um ihre Anti-Geldwäsche-Operationen (AML) zu verwalten, indem verdächtige Transaktionen automatisch zur Überprüfung markiert werden.

Als das Unternehmen in die USA expandierte, beschränkten Unterschiede in Transaktionsmustern und strenge Datenübertragungsbeschränkungen die Effektivität von Modellen, die ausschließlich auf europäischen Daten trainiert wurden. Um dies zu beheben, setzte Banking Circle die Federated-Learning-Plattform von Flower ein, wodurch das Unternehmen AML-Modelle über Regionen hinweg trainieren konnte, ohne sensible Daten über Grenzen hinweg zu verschieben.

Dieser Ansatz ermöglichte es dem US-Modell, aus europäischen Erkenntnissen zu lernen, während es lokal konform blieb, wobei Verbesserungen im Laufe der Zeit in das europäische System zurückflossen.⁴

3. Mobile Anwendungen

Mobilen Apps nutzen maschinelles Lernen für Personalisierung, wie z. B. Vorhersage des nächsten Worts, Gesichtserkennung und Spracherkennung. Bei herkömmlichem KI-Training werden jedoch Nutzerdaten zentralisiert, was Bedenken hinsichtlich Datenschutz, Sicherheit und Datenverwaltung verstärkt. Federated Learning begegnet diesen Herausforderungen, indem Modelle über ein Netzwerk von Geräten hinweg trainiert werden, ohne Rohdaten der Nutzer zu übertragen.

Hier sind einige Vorteile des federierten Lernens für mobile Anwendungen:

• KI mit Datenschutz: Sensible Nutzerdaten verbleiben auf dem Gerät, wodurch das Risiko einer Datenoffenlegung verringert wird, während gleichzeitig die Modellgenauigkeit verbessert wird.
• Personalisierte und adaptive Modelle: Apps können KI-Modelle basierend auf individuellen Nutzungsmustern feinabstimmen, ohne ständige Cloud-Updates zu benötigen.
• Geringerer Bandbreitenverbrauch: Anstatt große Datensätze hochzuladen, werden nur Modellaktualisierungen geteilt, wodurch federiertes Lernen für mobile Netzwerke effizient ist.
• Verbesserte Sicherheit: Durch die Dezentralisierung der Daten verringert federiertes Lernen die Risiken, die mit zentraler Datenspeicherung und Datenverletzungen verbunden sind.

Dieser Ansatz wird bereits in Smartphone-Tastaturen für Textvorhersage und Autokorrektur, in Sprachassistenten für Spracherkennung und in biometrischer Authentifizierung für Gesichts- und Fingerabdruckerkennung eingesetzt.

Beispiel aus der Praxis: Google und die Verbesserung von Sprachmodellen

Google setzt federiertes Lernen ein, um maschinelle Lernsysteme auf Geräten zu verbessern, wie z. B. die „Hey Google“-Erkennung in Google Assistant, wodurch Nutzer Sprachbefehle erteilen können. Dieser Ansatz ermöglicht das Training von Sprachmodellen direkt auf den Geräten der Nutzer, ohne Audiodaten an Google-Server zu übertragen, wodurch die Privatsphäre der Nutzer gewahrt bleibt.

Federated Learning ermöglicht die Verbesserung der Spracherkennung, indem Daten lokal verarbeitet werden, sodass persönliche Audioinformationen auf dem Gerät verbleiben.⁵

4. Gesundheitswesen

Federated Learning profitiert vom Gesundheitswesen und der Krankenversicherung, indem es leistungsfähiges KI-Training ermöglicht, während Patientendaten privat bleiben.

Bei der herkömmlichen Datenzentralisierung, bei der Krankenhäuser und Institutionen medizinische Aufzeichnungen in einem einzigen Repository sammeln, ergeben sich erhebliche Bedenken hinsichtlich Datenverwaltung, Sicherheit und Einhaltung von Vorschriften wie HIPAA und DSGVO.

Federated Learning hilft, diese Probleme zu bewältigen, indem es ein kollaboratives Modelltraining über mehrere Institutionen hinweg ermöglicht, ohne direkten Datenaustausch zu erfordern.

Dieser Ansatz bietet mehrere Vorteile:

• Verbesserter Datenschutz und Sicherheit: Sensible Patientendaten verbleiben an ihrem ursprünglichen Ort und verringern so die Risiken von Offenlegung und Datenverletzungen.
• Verbesserte Datenvielfalt: Durch das Training auf Datensätzen verschiedener Krankenhäuser, Forschungszentren und elektronischer Gesundheitsakten ermöglicht federiertes Lernen Modellen, seltene Krankheiten zu erkennen und die diagnostische Genauigkeit über verschiedene Bevölkerungsgruppen hinweg zu verbessern.
• Skalierbare medizinische KI: Maschinelle Lernmodelle können kontinuierlich anhand von Echtzeitdaten aus mehreren Institutionen verfeinert werden, was zu zuverlässigeren prädiktiven Analysen und besseren Patientenergebnissen führt.

Beispiel aus der Praxis: Lifebits agenter federierter Plattform

Lifebit kündigte die Agentische Federierte Plattform an, die weltweit die erste vollständig agentische Vertrauenswürdige Forschungsumgebung (TRE) ist. Die Plattform befindet sich derzeit in der Beta-Phase und ermöglicht Forschern, sensible biomedizinische Daten sicher über eine einzige, KI-gesteuerte Gesprächsschnittstelle zu verwalten und zu analysieren.

Laut Lifebit vereinfacht die Plattform komplexe Forschungsabläufe wie Datenausgleich, Kohortenerstellung und bioinformatische Analysen, indem Benutzer End-to-End-Forschung über natürliche Sprache durchführen können. Sie unterstützt sowohl interaktive als auch Batch-Tools (z. B. R, Jupyter, Nextflow), bietet integrierte Fehlerbehebung und Dokumentation und umfasst KI-unterstützte Genomik-Funktionen wie GWAS und Zielidentifizierung.

Das Unternehmen positioniert die Plattform als sicherer, auditierbarer und benutzerfreundlicher als herkömmliche TREs, mit dem Ziel, die Forschung zu beschleunigen, während die strikte Einhaltung der Vorschriften für federierte Datenverwaltung gewährleistet bleibt.⁶

Beispiel aus der Praxis: MELLODDY

Das MELLODDY-Projekt (Machine Learning Ledger Orchestration for Drug Discovery) ist eine europäische Forschungsinitiative, die von der Initiative Innovative Arzneimittel (IMI) finanziert wird. Das Projekt brachte 10 Pharmaunternehmen, akademische und technologische Partner zusammen, um zu demonstrieren, wie federiertes Lernen die Arzneimittelforschung beschleunigen kann, ohne vertrauliche Daten zu teilen.

Anstatt proprietäre Datensätze zu bündeln, die von Unternehmen als äußerst sensibel angesehen werden, entwickelte MELLODDY eine datenschutzfreundliche, federierte maschinelle Lernplattform, die die Daten jedes Unternehmens hinter dessen eigener Firewall hält und nur Modellaktualisierungen – nicht Rohdaten – für das kollaborative Lernen teilt.

Diese Plattform nutzt Technologien wie AWS-Infrastruktur, Kubernetes-Orchestrierung und ein privates Blockchain-Ledger, um sicheres und nachvollziehbares Modelltraining über Partner hinweg zu gewährleisten, während Datenbesitz und geistige Eigentumsrechte geschützt bleiben.

Indem maschinelle Lernalgorithmen Zugang zu weit mehr Daten erhalten, als ein einzelnes Unternehmen besitzt, hat MELLODDY eine verbesserte Vorhersageleistung und größere Modellanwendbarkeit bei der Vorhersage der biologischen Aktivität und Toxikologie von Wirkstoffkandidaten nachgewiesen.⁷

Beispiel aus der Praxis: Owkin

Owkin, ein Biotech-Unternehmen, nutzt federiertes Lernen, um KI-Modelle über mehrere medizinische und Forschungsinstitutionen hinweg zu trainieren, ohne sensible Daten zu zentralisieren.

Anstatt alle Patientendaten an einem Ort zu sammeln, behält der Ansatz von Owkin die Daten dort, wo sie gespeichert sind (z. B. auf Krankenhausservern), und bringt die Maschinelles Lernen-Algorithmen zu den Daten.

Die Modelle werden lokal auf dem Datensatz jedes Partners trainiert, und nur Modellaktualisierungen werden zurückgesendet und aggregiert, um ein globales Modell aufzubauen. Dies ermöglicht Forschern und Klinikern, von einem vielfältigeren Datensatz zu profitieren, als eine einzelne Institution bereitstellen könnte, wodurch die Leistung prädiktiver Algorithmen verbessert wird, während gleichzeitig die Privatsphäre der Patienten und die Datenhoheit gewahrt bleiben.

Owkin positioniert diese Technik als besonders leistungsfähig für die kollaborative KI im Gesundheitswesen (z. B. zur Vorhersage von Behandlungsergebnissen) und als Mittel, um die präzise Medizin zu skalieren, ohne die Privatsphäre zu beeinträchtigen.⁸

Beispiel aus der Praxis: MedPerf

Ein wachsender Druck für federiertes Lernen in der medizinischen KI hat zu Initiativen wie MedPerf geführt, einer Open-Source-Plattform, die von einem Zusammenschluss aus Industrie- und akademischen Partnern entwickelt wurde.

MedPerf konzentriert sich auf die federierte Bewertung von KI-Modellen und stellt sicher, dass diese effektiv auf vielfältigen, realen medizinischen Daten funktionieren, während die Vertraulichkeit der Patienten gewahrt bleibt. Durch die Kombination technischer Innovationen im federierten Lernen mit Governance-Frameworks, die klinisch relevante Benchmarks festlegen, zielen diese Initiativen darauf ab, die Einführung von KI im Gesundheitswesen voranzutreiben, ohne Vertrauen oder Sicherheit zu gefährden.

Abbildung 2: Ein Beispiel für federiertes Lernen im Gesundheitswesen aus dem MedPerf-Framework für die Benchmarking von KI.⁹

5. Verkehr: Autonome Fahrzeuge

Selbstfahrende Autos verlassen sich auf eine Kombination fortschrittlicher maschineller Lernverfahren, um komplexe Umgebungen zu navigieren.

Computer Vision ermöglicht es ihnen, Hindernisse zu erkennen, während adaptive Lernmodelle helfen, das Fahrverhalten basierend auf Bedingungen wie Verkehr oder unwegsamen Gelände anzupassen.

Herkömmliche Cloud-basierte Ansätze können jedoch Latenz verursachen und Sicherheitsrisiken darstellen, insbesondere in dichtem Verkehr, wo Sekundenbruchteile entscheidend sind.

Federated Learning bietet eine Lösung, indem es die Datenverarbeitung dezentralisiert und Echtzeit-Lernen über mehrere Fahrzeuge hinweg ermöglicht. Anstatt sich ausschließlich auf Cloud-Updates zu verlassen, können autonome Fahrzeuge Modelle kollaborativ trainieren, während die Daten lokal bleiben. Dieser Ansatz stellt sicher, dass Fahrzeuge ihre Entscheidungsfindung kontinuierlich anhand der neuesten Straßenbedingungen verfeinern, ohne übermäßigen Datentransfer.

Durch die Nutzung von federiertem Lernen können selbstfahrende Autos drei zentrale Ziele erreichen:

• Echtzeit-Wahrnehmung von Verkehr und Straßen: Fahrzeuge können schnell Erkenntnisse über Straßenrisiken, Baustellen oder plötzliche Wetteränderungen verarbeiten und teilen, um eine sicherere Navigation zu gewährleisten.
• Sofortige Entscheidungsfindung: Die KI an Bord kann schneller auf dynamische Fahrbedingungen reagieren, wodurch die Abhängigkeit von entfernten Servern verringert und die Latenz in kritischen Momenten minimiert wird.
• Kontinuierliche Modellverbesserung: Wenn mehr Fahrzeuge ihre lokalen Erkenntnisse beitragen, entwickeln sich autonome Systeme weiter und verbessern ihre Vorhersagegenauigkeit im Laufe der Zeit.

Durch die Integration von federiertem Lernen können autonome Fahrzeuge nicht nur ihre unmittelbare Reaktionsfähigkeit verbessern, sondern auch eine kollektive Intelligenz schaffen, die die allgemeine Sicherheit und Effizienz von selbstfahrenden Systemen erhöht.

Beispiel aus der Praxis: NVIDIA FLARE

Die AV-Federated-Learning-Plattform von NVIDIA, betrieben von NVIDIA FLARE, ermöglicht es autonomen Fahrzeugmodellen (AV), kollaborativ über verschiedene Länder hinweg trainiert zu werden, während Datenschutz gewahrt bleibt und regionale Vorschriften wie DSGVO und PIPL eingehalten werden.

Anstatt zentrales Training, das kostspielig und durch Datenübertragungsgesetze eingeschränkt sein kann, ermöglicht federiertes Lernen das lokale Training auf länderspezifischen Daten, wodurch die globale Modellleistung verbessert wird.

Die Plattform integriert sich in bestehende maschinelle Lernsysteme und arbeitet mit einem zentralen Server auf AWS in Japan, um grenzüberschreitendes Training zu unterstützen. Seit dem Start wurden mehr als ein Dutzend AV-Modelle erstellt, deren Leistung mit oder besser als lokal trainierte Modelle ist, und die Nutzung ist innerhalb eines Jahres von 2 auf 30 Data Scientists angewachsen.¹⁰

6. Intelligente Fertigung: Vorausschauende Wartung

Während sich Industrie 4.0 weiterentwickelt, hilft KI-gestützte vorausschauende Wartung Herstellern, Ausfallzeiten zu reduzieren, die Lebensdauer von Anlagen zu verlängern und die Effizienz zu steigern. Ihre Implementierung steht jedoch vor Herausforderungen wie Datenschutz, Sicherheit und Einschränkungen beim grenzüberschreitenden Datenaustausch.

Federated Learning behebt diese Probleme, indem Hersteller vorausschauende Wartungsmodelle entwickeln können, ohne sensible industrielle Daten zu übertragen. Anstatt Informationen aus mehreren Werken oder Kunden in einem zentralen Repository zu sammeln, ermöglicht federiertes Lernen, dass jedes Standort lokal Modelle trainiert. Diese Modelle tragen dann Erkenntnisse zu einem globalen Vorhersagesystem bei, ohne proprietäre Daten offenzulegen.

Zu den wichtigsten Vorteilen von federiertem Lernen für die vorausschauende Wartung gehören:

• KI mit Datenschutz: Industriedaten verbleiben vor Ort und beseitigen Bedenken hinsichtlich des Austauschs proprietärer oder sensibler Betriebsdaten mit externen Parteien.
• Einhaltung von Vorschriften über Ländergrenzen hinweg: Viele Hersteller sind in mehreren Ländern tätig, die jeweils unterschiedliche Datenschutzvorschriften haben. Federated Learning ermöglicht die Einhaltung, indem Daten lokal bleiben, während gleichzeitig von kollektiver Intelligenz profitiert wird.
• Anpassungsfähigkeit an unterschiedliche Ausrüstung und Bedingungen: Fertigungsumgebungen variieren stark je nach Maschinen, Arbeitslast und Betriebsbedingungen. Federated Learning ermöglicht es, Vorhersagemodelle an lokale Bedingungen anzupassen, während sie zum breiteren Verständnis von Ausfallmustern beitragen.

Jenseits der vorausschauenden Wartung wird federiertes Lernen auch in der intelligenten Fertigung für Echtzeit-Qualitätskontrolle, Optimierung der Energieeffizienz und Umweltüberwachung eingesetzt, einschließlich Luftqualitätsvorhersagen zur PM2.5-Erkennung in Smart Cities.

7. Robotik

Robotik ist auf maschinelles Lernen für Wahrnehmung, Entscheidungsfindung und Steuerung angewiesen, von einfachen Aufgaben bis hin zu komplexer Navigation. Während die Anwendungen wachsen, sind kontinuierliches Lernen und Anpassungsfähigkeit unerlässlich, aber zentrales Training steht vor Herausforderungen wie Datentransfer, Datenschutz und Kommunikation, insbesondere in Multi-Roboter-Systemen.

Federated Learning ermöglicht Robotern, ihre Modelle kollaborativ zu verbessern, während die Daten lokal bleiben. Dieser dezentrale Ansatz ist besonders nützlich für die Navigation mehrerer Roboter, wo begrenzte Kommunikationsbandbreite ein Problem darstellen kann.

Anstatt auf ständige Datenübertragung an einen zentralen Server angewiesen zu sein, ermöglicht federiertes Lernen Robotern, aus ihren lokalen Erfahrungen zu lernen und nur wesentliche Modellaktualisierungen zu teilen, wodurch die Lerneffizienz optimiert wird, ohne die Netzwerkressourcen zu überlasten.

Hier sind die wichtigsten Vorteile von federiertem Lernen in der Robotik:

• Dezentrales Lernen für verbesserte Autonomie: Roboter können ihre Wahrnehmungs- und Steuerungsmodelle lokal verfeinern, wodurch die Abhängigkeit von Cloud-Updates verringert und eine schnellere Anpassung an neue Umgebungen ermöglicht wird.
• Effiziente Zusammenarbeit mehrerer Roboter: Gruppen von Robotern können erlernte Erfahrungen austauschen, ohne übermäßigen Datentransfer, wodurch federiertes Lernen ideal für Flottenmanagement, Lagerautomatisierung und Schwarmrobotik ist.
• Verbesserter Datenschutz und Sicherheit: Sensible Betriebsdaten verbleiben in jedem Robotersystem und verringern so Bedenken hinsichtlich Datenoffenlegung in industriellen oder militärischen Anwendungen.
• Skalierbarkeit über verschiedene Umgebungen hinweg: Roboter, die an verschiedenen Standorten wie Fabriken, Krankenhäusern oder städtischen Gebieten arbeiten, können Erkenntnisse zu einem globalen Modell beitragen, während sie sich gleichzeitig an ihre spezifischen Umgebungen anpassen.

Beispiel aus der Praxis: Federiertes Verstärkungslernen für die kollektive Navigation von Roboterschwärmen

Neuere Fortschritte im Deep Verstärkungslernen (DRL) haben die Robotik verbessert, indem sie den automatisierten Controllerentwurf ermöglichen, insbesondere für Schwarmrobotersysteme. Diese Systeme erfordern komplexere Controller als Einzelrobotersysteme, um koordiniertes kollektives Verhalten zu erreichen.

Obwohl der DRL-basierte Controllerentwurf sich als effektiv erwiesen hat, birgt seine Abhängigkeit von einem zentralen Trainingsserver Herausforderungen in realen Umgebungen mit instabiler oder begrenzter Kommunikation.

Um dies zu beheben, stellte ein aktueller Artikel FLDDPG vor, eine neuartige, auf Federated Learning (FL) basierende DRL-Trainingsstrategie, die speziell für die Schwarmrobotik entwickelt wurde.

Vergleichende Bewertungen unter begrenzter Kommunikationsbandbreite zeigen, dass FLDDPG eine verbesserte Generalisierung über verschiedene Umgebungen und echte Roboter hinweg bietet, während Standardmethoden unter Bandbreitenbeschränkungen Schwierigkeiten haben.

Die Ergebnisse deuten darauf hin, dass federiertes Lernen die Navigation mehrerer Roboter in Umgebungen mit eingeschränkter Kommunikationsbandbreite verbessert und damit eine zentrale Herausforderung in realen, lernbasierten Robotikanwendungen adressiert.¹¹

Was ist federiertes Lernen?

Federated Learning ist ein kollaboratives Paradigma des maschinellen Lernens, bei dem mehrere Teilnehmer Modelle mithilfe lokaler Daten trainieren und nur Modellaktualisierungen oder berechnete Informationen austauschen, während Rohdaten vor Ort verbleiben. Die meisten praktischen FL-Systeme verwenden weiterhin einen zentralen Aggregator, um Trainingsrunden zu koordinieren.

Anstatt Rohtrainingsdaten zu übertragen, senden Teilnehmer Modellaktualisierungen oder Gradienten zur Aggregation. Das alleinige Teilen von Aktualisierungen garantiert jedoch nicht die Privatsphäre, ohne zusätzliche Techniken wie sichere Aggregation, differenzielle Datenschutzmaßnahmen oder kryptografische Schutzmechanismen.

Indem Trainingsdaten lokal bleiben und Erkenntnisse aggregiert werden, verbessert federiertes Lernen den Datenschutz, während gleichzeitig dezentrale Daten genutzt werden, um die Modellgenauigkeit zu verbessern.

Wie funktioniert federiertes Lernen?

Im maschinellen Lernen gibt es zwei Schritte: Training und Inferenz.

Während des Trainingschritts:

1. Lokale maschinelle Lernmodelle (ML) werden auf lokalen, heterogenen Datensätzen trainiert. Beispielsweise korrigieren Benutzer beim Gebrauch einer ML-Anwendung Fehler in den Vorhersagen der Anwendung. Dadurch entstehen lokale Trainingsdatensätze auf jedem Gerät.
2. Die Parameter der Modelle werden periodisch zwischen diesen lokalen Rechenzentren ausgetauscht. In vielen Modellen werden diese Parameter vor dem Austausch verschlüsselt. Lokale Datenproben werden nicht geteilt. Dies verbessert den Datenschutz und die Cybersicherheit.
3. Ein gemeinsames globales Modell wird erstellt.
4. Die Merkmale des globalen Modells werden mit lokalen Rechenzentren geteilt, um das globale Modell in ihre lokalen ML-Modelle zu integrieren.

Zum Beispiel, die Clara-Lösung von Nvidia umfasst federiertes Lernen. Clara und Nvidia EGX ermöglichen das Lernen durch die sichere Sammlung von Modellaktualisierungen (aber nicht Trainingsdaten) aus verschiedenen Standorten. Dies hilft Modellen, ein globales Modell aufzubauen, während die Datensicherheit gewahrt bleibt (siehe Abbildung unten).

Abbildung 1: Ein Beispiel von NVIDIA, das zeigt, wie federiertes Lernen funktioniert.¹²

Im Inferenzschritt wird das Modell auf dem Nutzergerät gespeichert, sodass Vorhersagen schnell mit dem Modell auf dem Gerät erstellt werden.

Verteiltes Training im federierten Lernen

Federated Learning und verteiltes Training sind unterschiedliche Konzepte: Federated Learning bezieht sich auf kollaboratives Training mit dezentralen Daten, während verteiltes Training (parallele Berechnung über Knoten innerhalb eines Teilnehmers) eine lokale Optimierungsstrategie ist und nicht inhärent zu FL selbst.

Bei federiertem Lernen trainieren Clients wie Krankenhäuser, mobile Geräte oder Organisationen unabhängig Modelle auf ihren lokalen Daten und teilen nur die Modellaktualisierungen mit einem zentralen Aggregator.

Einige Clients können Zugriff auf mehrere GPUs, Server oder Edge-Knoten haben. Diese Ressourcen können parallel genutzt werden, um das lokale Training zu beschleunigen oder zu skalieren. Diese Konfiguration schafft eine Hierarchie:

• Auf der obersten Ebene nehmen mehrere Clients am federierten Lernen teil.
• Auf lokaler Ebene kann jeder Client verteiltes Training über seine verfügbare Infrastruktur nutzen.

Das lokale verteilte Training kann folgen:

• Dataparallelität: Jeder Worker hält eine Kopie des Modells und trainiert auf einem Teil der lokalen Daten.
• Modellparallelität: Das Modell wird über Worker aufgeteilt, was hilfreich ist für große Modelle, die nicht in den Speicher eines einzelnen Geräts passen.

Wesentliche Vorteile der Kombination von verteiltem Training mit federiertem Lernen

1. Verbesserte Skalierbarkeit

Clients mit großen Datensätzen oder rechenintensiven Modellen könnten Schwierigkeiten haben, das Training effizient auf einem einzigen Gerät abzuschließen.

Verteiltes Training ermöglicht es dem Client, mehrere Knoten oder Geräte zu nutzen, wodurch der Durchsatz verbessert und größere Arbeitslasten unterstützt werden.

2. Effiziente Ressourcennutzung

Organisationen verfügen oft über lokale Cluster oder ungenutzte Rechenressourcen. Die Nutzung von verteiltem Training innerhalb von federiertem Lernen ermöglicht es ihnen, diese Ressourcen vollständig zu nutzen, ohne Daten zu zentralisieren.

3. Schnelleres lokales Training

Die Verteilung der Berechnung reduziert die reale Zeit für lokale Modellaktualisierungen. Dies kann jede Runde des federierten Lernens verkürzen und die gesamte Trainingszeit über Clients hinweg verringern.

4. Trennung der Zuständigkeiten

Federiertes Training und lokales verteiltes Training arbeiten unabhängig voneinander. Der federierte Server muss die interne Planung oder Koordination der Client-Ressourcen nicht verwalten. Dieser modulare Ansatz vereinfacht sowohl die Bereitstellung als auch die Wartung.

5. Flexible Systemgestaltung

Unterschiedliche Clients können unterschiedliche lokale Trainingskonfigurationen basierend auf ihrer Rechenumgebung wählen. Einige können Einzelknotentraining nutzen, während andere verteilte Setups verwenden. Das federierte Protokoll bleibt unverändert.

Warum ist es jetzt wichtig?

Genauere Modelle des maschinellen Lernens sind für Unternehmen wertvoll, aber herkömmliche zentralisierte KI-Systeme weisen Mängel auf, wie z. B. fehlendes kontinuierliches Lernen auf Edge-Geräten und die Aggregation privater Daten auf zentralen Servern. Diese werden durch federiertes Lernen gemildert.

Bei herkömmlichem maschinellem Lernen wird ein zentrales ML-Modell unter Verwendung aller verfügbaren Trainingsdaten in einer zentralen Umgebung erstellt. Dies funktioniert problemlos, wenn ein zentraler Server die Vorhersagen liefern kann.

Im mobilen Computing verlangen Nutzer jedoch schnelle Reaktionen, und die Kommunikationszeit zwischen dem Nutzgeräte und einem zentralen Server kann für ein gutes Nutzererlebnis zu langsam sein. Um dies zu überwinden, kann das Modell auf dem Endgerät platziert werden, aber dann wird kontinuierliches Lernen herausfordernd, da Modelle auf einem vollständigen Datensatz trainiert werden und das Endgerät nicht darauf zugreifen kann.

Eine weitere Herausforderung beim herkömmlichen maschinellen Lernen ist, dass die Daten der Nutzer zur Schulung an einem zentralen Ort aggregiert werden, was gegen die Datenschutzrichtlinien bestimmter Länder verstoßen kann und die Daten anfälliger für Verletzungen macht.

Federated Learning überwindet diese Herausforderungen, indem es kontinuierliches Lernen über lokale Daten auf Endgeräten ermöglicht, während sichergestellt wird, dass Nutzerdaten auf dem Gerät verbleiben.

Kürzlich ist federiertes Lernen auch zu einer Grundlage für federiertes Feintuning geworden, bei dem Unternehmen Grundlagenmodelle (wie Llama 3, Mistral oder Gemini) an private Daten anpassen, ohne die Daten selbst offenzulegen.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Herausforderungen des federierten Lernens

Investitionsanforderungen

Federierte Lernmodelle erfordern möglicherweise häufige Kommunikation zwischen Knoten. Das bedeutet, dass Speicherkapazität und hohe Bandbreite zu den Systemanforderungen gehören.

Datenschutz

• Datenschutz ist ein wichtiges Thema, da Daten in federiertem Lernen nicht auf einer einzigen Entität/einem Server gesammelt werden; es gibt mehrere Geräte zum Sammeln und Analysieren von Daten. Dies kann die Angriffsfläche vergrößern.
• Auch wenn nur Modelle, nicht Rohdaten, an den zentralen Server übermittelt werden, können Modelle möglicherweise rückentwickelt werden, um Client-Daten zu identifizieren.

Leistungseinschränkungen

• Datenheterogenität: Modelle von verschiedenen Geräten werden zusammengeführt, um ein besseres Modell im federierten Lernen zu erstellen. Gerätespezifische Merkmale können die Generalisierung der Modelle von einigen Geräten einschränken und die Genauigkeit der nächsten Modellversion verringern.
• Indirekte Informationslecks: Forscher haben Situationen betrachtet, in denen ein Mitglied der Föderation andere durch das Einfügen versteckter Hintertüren in das gemeinsame globale Modell böswillig angreifen kann.
• Federated Learning ist ein verhältnismäßig neues Verfahren des maschinellen Lernens. Neue Studien und Forschungen sind erforderlich, um die Leistung zu verbessern.

Zentralisierung

Es gibt immer noch einen gewissen Grad an Zentralisierung im federierten Lernen, bei dem ein zentrales Modell die Ausgaben anderer Geräte nutzt, um ein neues Modell zu erstellen. Forscher schlagen vor, blockchaintechnologiebasiertes federiertes Lernen (BlockFL) und andere Ansätze zu nutzen, um vertrauenslose federierte Lernmodelle zu erstellen.

Was sind Alternativen zum federierten Lernen?

Obwohl federiertes Lernen Datenschutzvorteile bietet, wurden mehrere alternative Ansätze und Frameworks entwickelt, um seine Einschränkungen zu beheben und sich an verschiedene Szenarien anzupassen. Hier sind einige Alternativen:

Zentralisiertes oder traditionelles maschinelles Lernen

Bei einem zentralisierten maschinellen Lernsystem werden alle Daten aus verschiedenen Quellen gesammelt und an einem einzigen Ort gespeichert, wie z. B. einem Cloud-Server oder einem Unternehmensdatencenter. Das Modell wird dann mit diesem kombinierten Datensatz trainiert.

Wesentliche Merkmale:

• Das Modell hat direkten Zugriff auf alle verfügbaren Daten.
• Datenverarbeitung und Modelltraining erfolgen auf einem zentralen Server.
• Clients oder Datenbesitzer übertragen ihre Daten an das zentrale System zur Analyse.

Vorteile:

• Der Trainingsprozess ist einfacher zu verwalten und zu überwachen.
• Die Datensicherheit ist leichter zu gewährleisten, da alle Aufzeichnungen an einem Ort sind.
• Die Modellleistung kann von vollständigem Zugriff auf alle Datenvariationen profitieren.

Einschränkungen:

• Datenschutz- und Compliance-Probleme können entstehen, wenn die Datenübertragung durch Gesetze oder Unternehmensrichtlinien eingeschränkt ist.
• Ein einzelner Ausfallpunkt kann das gesamte System lahmlegen, wenn der Server ausfällt oder eine Sicherheitsverletzung auftritt.
• Die Übertragung großer Datensätze kann den Bandbreitenverbrauch und die Verarbeitungskosten erhöhen.

Dieser Ansatz eignet sich am besten, wenn Datenschutz keine große Rolle spielt und alle Daten sicher zentralisiert werden können, ohne regulatorische Konflikte.

Sichere Mehrparteienberechnung

Die sichere Mehrparteienberechnung (SMPC) ist eine kryptografische Technik, die mehreren Parteien ermöglicht, eine gemeinsame Funktion zu berechnen, ohne ihre individuellen Datensätze offenzulegen. Jede Partei verschlüsselt ihre Daten, und die Berechnung erfolgt so, dass nur das endgültige Modellergebnis sichtbar ist.

Wesentliche Merkmale:

• Parteien arbeiten zusammen, um ein Modell zu trainieren, während Rohdaten privat bleiben.
• Kryptografische Techniken wie Geheimnisteilung und homomorphe Verschlüsselung werden häufig verwendet.
• Keine einzelne Partei hat Zugriff auf den vollständigen Datensatz.

Vorteile:

• Schützt sensible Daten während des gesamten Trainingsprozesses.
• Ermöglicht Organisationen, bei der Modellentwicklung zusammenzuarbeiten, auch wenn Daten nicht geteilt werden können.
• Verbessert die Einhaltung von Datenschutzvorschriften wie der DSGVO.

Einschränkungen:

• Die Rechenanforderungen sind aufgrund kryptografischer Operationen hoch.
• Die Kommunikation zwischen den Parteien kann langsam sein, was die Skalierbarkeit beeinträchtigen kann.
• Die Implementierungskomplexität steigt mit der Anzahl der Teilnehmer.

SMPC eignet sich für Situationen mit strengen Datenschutzanforderungen und einer sicheren Recheninfrastruktur.

Differenzieller Datenschutz

Differenzieller Datenschutz (DP) stellt sicher, dass kein einzelner Datensatz in einem Datensatz identifiziert oder abgeleitet werden kann, nachdem die Analyse erfolgt ist. Dies erreicht er durch die Einführung kontrollierter Zufälligkeit, oft in Form von Rauschen, in die Trainingsdaten oder Modellaktualisierungen.

Wesentliche Merkmale:

• Der Datenschutz wird mathematisch über einen Parameter namens Epsilon (ε) quantifiziert.
• Die Methode schützt die Datenbeiträge von Einzelpersonen, auch wenn der gesamte Datensatz geteilt wird.
• Sie kann sowohl in zentralisierten als auch in verteilten Systemen angewendet werden.

Vorteile:

• Bietet ein messbares Maß an Datenschutz.
• Kann mit anderen Lernverfahren wie federiertem Lernen kombiniert werden.
• Begrenzt das Risiko der Neuzuordnung von Daten.

Einschränkungen:

• Zu viel Rauschen kann die Modellgenauigkeit verringern.
• Die Auswahl des richtigen Datenschutzbudgets (ε) erfordert sorgfältige Abstimmung.
• Behebt nicht an sich verteilte Koordination oder Berechnung.

Differenzieller Datenschutz eignet sich für Organisationen, die ein Gleichgewicht zwischen Datennutzung und Datenschutz benötigen.

Gossip- oder Peer-to-Peer-Lernen

Gossip-Lernen, auch bekannt als Peer-to-Peer-Lernen, eliminiert die Notwendigkeit eines zentralen Servers. Jeder Knoten oder Client trainiert ein lokales Modell und teilt Aktualisierungen direkt mit benachbarten Knoten. Im Laufe der Zeit verbreiten sich diese Aktualisierungen im Netzwerk, und die Modelle konvergieren.

Wesentliche Merkmale:

• Knoten kommunizieren lokal mit Peers statt mit einem zentralen Aggregator.
• Modellparameter oder Gradienten werden dezentral ausgetauscht.
• Das Lernen erfolgt asynchron im Netzwerk.

Vorteile:

• Kein einzelner Ausfallpunkt, da kein zentraler Koordinator vorhanden ist.
• Kann effektiv in dynamischen Netzwerken wie IoT oder Edge-Umgebungen funktionieren.
• Verringert die Abhängigkeit von einer vertrauenswürdigen zentralen Instanz.

Einschränkungen:

• Der Kommunikationsaufwand kann durch zufällige Peer-Austausche zunehmen.
• Die Konvergenz kann langsamer sein als bei zentraler Aggregation.
• Überwachung und Kontrolle sind in vollständig dezentralen Systemen schwieriger.

Dieser Ansatz eignet sich für verteilte Systeme, in denen kein zentraler Server aufrechterhalten oder vertraut werden kann.

Split-Learning

Split-Learning teilt ein maschinelles Lernmodell in zwei oder mehr Segmente auf. Das erste Segment wird auf dem Client-Gerät mit lokalen Daten trainiert, und seine Ausgabe (Aktivierungen) wird an einen Server gesendet, der das verbleibende Training abschließt.

Wesentliche Merkmale:

• Das Modell ist zwischen Clients und einem zentralen Server aufgeteilt.
• Clients teilen niemals Rohdaten; nur Zwischenergebnisse werden übertragen.
• Das System erfordert Koordination zwischen Client und Server während des Trainings.

Vorteile:

• Verringert den Rechenaufwand für Clients, da nur ein Teil des Modells trainiert wird.
• Bietet einen gewissen Datenschutz, da Rohdaten lokal bleiben.
• Kann in bestehende Cloud-Infrastrukturen integriert werden.

Einschränkungen:

• Zwischenergebnisse können immer noch einige Dateninformationen preisgeben, wenn sie abgefangen werden.
• Erfordert stabile Kommunikation zwischen Client und Server.
• Die Implementierungskomplexität steigt bei tiefen oder mehrschichtigen Modellen.

Split-Learning eignet sich für Umgebungen mit begrenzten Client-Ressourcen oder wenn Datenschutzbeschränkungen den vollständigen Datenaustausch verhindern.

Transferlernen und Modelldestillation

Transferlernen und Modelldestillation ermöglichen Zusammenarbeit ohne direkten Datenaustausch. Jede Organisation oder jedes Gerät trainiert lokal sein eigenes Modell, und dann lernt ein zentrales Modell aus den Ausgaben oder Vorhersagen dieser einzelnen Modelle, anstatt aus ihren internen Parametern.

Wesentliche Merkmale:

• Wissen wird über Vorhersagen übertragen, nicht über vollständige Modellgewichte.
• Das globale Modell wird durch die kollektive Erfahrung aller Teilnehmer verfeinert.
• Lokale Modelle bleiben unabhängig und können weiterhin spezialisieren.

Vorteile:

• Verringert das Kommunikationsvolumen, indem nur destillierte Informationen geteilt werden.
• Ermöglicht Flexibilität in den Modellarchitekturen der Teilnehmer.
• Kann vernünftige Leistung erzielen, auch bei heterogenen Datenquellen.

Einschränkungen:

• Ein gewisser Informationsverlust tritt während des Destillationsprozesses auf.
• Die Qualität des globalen Modells hängt von der Genauigkeit der lokalen Modelle ab.
• Fehlt die koordinierte Synchronisation des federierten Lernens.

Diese Methode ist praktikabel, wenn Kundendaten sehr unterschiedlich sind oder wenn Kunden verschiedene Modelltypen verwenden.

Hybride oder kombinierte Architekturen

Hybridsysteme kombinieren Elemente mehrerer datenschutzfreundlicher Methoden, um spezifische Herausforderungen zu adressieren. Beispiele sind federiertes Lernen kombiniert mit differenziellem Datenschutz, sicherer Mehrparteienberechnung oder hierarchischen Architekturen, bei denen regionale Aggregatoren mit einem zentralen Server kommunizieren.

Wesentliche Merkmale:

• Unterschiedliche Schichten oder Module des Systems nutzen unterschiedliche Datenschutztechniken.
• Kann regionale oder gestufte Aggregation für Skalierbarkeit beinhalten.
• Wird oft angepasst, um regulatorische und Leistungsanforderungen zu erfüllen.

Vorteile:

• Bietet Flexibilität beim Ausgleich von Datenschutz, Genauigkeit und Rechenkosten.
• Kann große oder geografisch verteilte Datenquellen verarbeiten.
• Ermöglicht Organisationen, Architekturen an spezifische Einschränkungen anzupassen.

Einschränkungen:

• Die Implementierung ist komplex aufgrund der Interaktionen zwischen mehreren Komponenten.
• Systemwartung und -fehlerbehebung erfordern fortgeschrittenes Fachwissen.
• Kommunikationsprotokolle können kompliziert und ressourcenintensiv werden.

Hybride Ansätze sind praktikabel für große Organisationen, die mehrere Datensätze unter unterschiedlichen rechtlichen und technischen Bedingungen verwalten müssen.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Federated Learning: 7 Anwendungsfälle & Beispiele}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/federated-learning}},
  note   = {AIMultiple. Abgerufen am 11. Juni 2026}
}

Referenzlinks

1.

ResearchGate - Temporarily Unavailable

2.

https://arxiv.org/pdf/2510.14991

3.

Federated AI in Finance

4.

Lifebit Launches the World’s First Agentic Federated

Lifebit

5.

MELLODDY | IHI Innovative Health Initiative

6.

What is federated learning? | Owkin

Owkin

7.

Announcing MedPerf Open Benchmarking Platform for Medical AI - MLCommons

8.

Federated Learning in Autonomous Vehicles Using Cross-Border Training | NVIDIA Technical Blog

NVIDIA Developer

9.

[2202.01141] Federated Reinforcement Learning for Collective Navigation of Robotic Swarms

10.

Federated Learning powered by NVIDIA Clara | NVIDIA Technical Blog

NVIDIA Developer

11.

GitHub - flwrlabs/flower: Flower: A Friendly Federated AI Framework · GitHub

12.

Federated Learning powered by NVIDIA Clara | NVIDIA Technical Blog

NVIDIA Developer

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalyst

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und spezialisiert auf E-Mail-Marketing und Vertriebsvideos. Zuvor war sie als Personalberaterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten