Was ist Federated Learning (Föderiertes Lernen)?

Was ist Federated Learning?

Federated Learning (föderiertes Lernen) ist ein Ansatz des maschinellen Lernens, bei dem ein KI-Modell dezentral auf vielen Geräten oder Servern trainiert wird -- ohne dass die Rohdaten ihren Ursprungsort jemals verlassen. Statt alle Daten in einer zentralen Cloud zu sammeln, wandert das Modell zu den Daten: Jedes Gerät trainiert lokal mit seinen eigenen Daten und sendet nur die daraus resultierenden Modell-Updates (veränderte Gewichte bzw. Gradienten) an einen zentralen Server. Dort werden die Updates aller Teilnehmer zu einem verbesserten Gesamtmodell zusammengeführt.

Das Prinzip lässt sich mit einer Studiengruppe vergleichen: Jeder lernt zu Hause mit seinen eigenen Unterlagen und teilt anschließend nur die Erkenntnisse -- nicht die Unterlagen selbst.

Wie funktioniert Federated Learning?

Der Trainingsprozess läuft in wiederholten Runden ab:

Verteilung: Der zentrale Server schickt die aktuelle Modellversion an die teilnehmenden Geräte
Lokales Training: Jedes Gerät trainiert das Modell mit seinen lokalen Daten weiter
Update-Übertragung: Nur die Modell-Änderungen werden zurückgesendet -- die Rohdaten bleiben vor Ort
Aggregation: Der Server kombiniert alle Updates zu einem neuen globalen Modell (z. B. per Federated Averaging)
Wiederholung: Der Zyklus startet erneut, bis das Modell die gewünschte Qualität erreicht

Ergänzend kommen häufig Schutztechniken wie Differential Privacy (gezieltes Verrauschen der Updates) und Secure Aggregation (verschlüsselte Zusammenführung) zum Einsatz, denn auch aus Modell-Updates lassen sich theoretisch Rückschlüsse auf Trainingsdaten ziehen.

Praxisbeispiele

Smartphone-Tastaturen: Google trainiert die Wortvorhersage von Gboard föderiert auf Millionen Android-Geräten
Gesundheitswesen: Kliniken können gemeinsam Diagnosemodelle trainieren, ohne Patientendaten untereinander auszutauschen
Industrie: Werke eines Konzerns verbessern gemeinsam Modelle für vorausschauende Wartung, ohne sensible Produktionsdaten zu zentralisieren
Finanzsektor: Banken kooperieren bei der Betrugserkennung, ohne Kundendaten offenzulegen

Bedeutung für deutsche Unternehmen

Federated Learning ist besonders für Branchen mit strengen Datenschutzanforderungen attraktiv. Da personenbezogene Rohdaten das Gerät oder den Standort nicht verlassen, unterstützt der Ansatz zentrale Prinzipien der DSGVO wie Datenminimierung -- er ersetzt aber keine rechtliche Prüfung, denn auch Modell-Updates können im Einzelfall personenbezogene Informationen enthalten.

Abgrenzung zu verwandten Begriffen

Federated Learning wird oft mit Edge AI verwechselt. Der Unterschied: Bei Edge AI läuft die Inferenz (die Anwendung eines fertigen Modells) lokal auf dem Gerät. Federated Learning betrifft dagegen das Training -- es beschreibt, wie ein Modell dezentral lernt. Beide Konzepte ergänzen sich häufig: Ein föderiert trainiertes Modell kann anschließend direkt auf dem Endgerät ausgeführt werden.