Definition und Konzept:
Federated Learning (Föderiertes Lernen) ist ein Ansatz des maschinellen Lernens, bei dem ein Algorithmus (z.B. ein neuronales Netz) auf mehreren dezentralen Datensätzen trainiert wird, die an ihrem Ursprungsort verbleiben. Anstatt alle Rohdaten an einen zentralen Server zu senden, um das Modell zu trainieren, wird das Modell zu den Daten gebracht.
Der Prozess läuft typischerweise wie folgt ab: Ein zentrales Modell wird an die lokalen Geräte (z.B. Edge-Server, Smartphones, Maschinen) gesendet. Diese lokalen Geräte trainieren das Modell mit ihren eigenen, lokalen Daten. Nur die erlernten Modellparameter (Gewichte und Biases des neuronalen Netzes) werden dann an einen zentralen Server zurückgesendet, wo sie aggregiert werden, um ein verbessertes globales Modell zu erstellen. Die Rohdaten verlassen die lokalen Geräte dabei nie.
Relevanz in der Industrie 4.0 und Vorteile:
Federated Learning ist ein Schlüsselkonzept für die Umsetzung von Künstlicher Intelligenz (KI) in der Industrie, da es spezifische Herausforderungen im Umgang mit sensiblen Daten adressiert:
- Datensouveränität und Datenschutz: Besonders wichtig in der Industrie, wo sensible Produktionsdaten, geistiges Eigentum oder personenbezogene Daten nicht zentralisiert oder über Unternehmensgrenzen hinweg geteilt werden dürfen. Federated Learning ermöglicht es, KI-Modelle zu trainieren, ohne diese Daten offenzulegen.
- Reduzierung des Bandbreitenbedarfs: Nur die viel kleineren Modellupdates müssen übertragen werden, nicht die großen Rohdatenmengen.
- Offline-Fähigkeit: Lokales Training kann auch bei eingeschränkter Konnektivität erfolgen.
- Kontinuierliches Lernen: Modelle können kontinuierlich mit neuen lokalen Daten verbessert werden.
Anwendungsbereiche in der Automatisierung:
- Predictive Maintenance: Mehrere Maschinenbauer können ein gemeinsames Predictive Maintenance-Modell trainieren, indem sie Daten von ihren ausgelieferten Maschinen nutzen, ohne die spezifischen Betriebsdaten jedes einzelnen Kunden zu zentralisieren.
- Qualitätskontrolle: KI-Modelle für die Fehlererkennung können über verschiedene Produktionslinien oder Fabriken hinweg trainiert und verbessert werden, während die Produktionsdaten lokal verbleiben.
- Optimierung von Maschinenparametern: Maschinen lernen von der Praxis auf anderen Maschinen, ohne dass die spezifischen Betriebsdaten geteilt werden müssen.
- Dezentrale KI-Anwendungen: Modelle für Edge AI können dezentral und kontinuierlich optimiert werden.
Federated Learning ermöglicht die Nutzung der Leistungsfähigkeit von KI in Szenarien, die bisher durch Datenschutz, Bandbreitenbeschränkungen oder Datensouveränität erschwert wurden, und treibt somit die intelligente Fabrik voran.
→ Siehe auch: Federated Analytics, Datensouveränität, Machine Learning, Künstliche Intelligenz (KI), Edge AI, Industrie 4.0
