Maschinelles Lernen

Vier interessante Fakten über Federated Learning

Federated Learning ist eine Methode des maschinellen Lernens, bei der jeder Teilnehmer und jede Teilnehmerin die eigenen Daten behält. Und dennoch können alle von der Schwarmintelligenz profitieren. Was viele nicht wissen: wir alle haben tagtäglich mit dem Ergebnis von Federated Learning zu tun.

Künstliche Intelligenz Maschinelles Lernen Google

Federated Learning ist ein brandheißes Thema aus dem Bereich künstliche Intelligenz und maschinelles Lernen. Es basiert auf dem Prinzip, dass alle TeilnehmerInnen in einem Lernprozess vom Wissen der anderen profitieren kann, bei gleichzeitiger Wahrung der Datensouveränität der Einzelnen. Erfahren Sie in vier Anwendungsbeispielen, wo es heute schon überall zum Einsatz kommt. 

Bild 1 von 4

Gerade bei Kunststoffen mit hohem Recyclatanteil können die Materialeigenschaften stark variieren. Mithilfe eines Modells, das aus den trainierten Modellen mehrerer Maschinen aggregiert wurde, können Spritzgießer ihre Prozessstabilität optimieren.

Tipp: Benutzen Sie die linke bzw. rechte Pfeil-Taste Ihrer Tastatur um durch die Fotostrecke zu navigieren.

Gerade bei Kunststoffen mit hohem Recyclatanteil können die Materialeigenschaften stark variieren. Mithilfe eines Modells, das aus den trainierten Modellen mehrerer Maschinen aggregiert wurde, können Spritzgießer ihre Prozessstabilität optimieren.

© Pixabay

Google verwendet das Prinzip seit Jahren für selbstlernende Smartphone-Tastaturen. Von den Wörtern, die Sie eintippen, erstellt Google ein Modell, das mit den Modellen vieler anderer Nutzer aggregiert wird. Danach landet das verbesserte Modell wieder auf Ihrem Smartphone. Dadurch kann Ihre Tastatur immer bessere vorhersagen, welches Wort Sie wohl als nächstes eintippen werden – und Ihnen immer passendere Vorschläge liefern. Und das wichtigste? Ihre Einkaufslisten, Liebesbekundungen und geheimen Arbeitsdaten bleiben privat!

© Pixabay

Für eine Studie wurden die Röntgenbilder des Brustkorbs, sowie andere Gesundheitsdaten von rund 10 000 COVID-19-PatientInnen analysiert. Durch diese große Datenmenge konnte ein KI-Tool entwickelt werden, das den Sauerstoffbedarf der PatientInnen 24 Stunden nach Ankunft in der Notaufnahme vorhersagen kann. Und zwar mit einer Genauigkeit von 95%. Auch hier galt: Die Daten bleiben bei den PatientInnen.

© Pixabay

Auch in die Finanzbranche kann von Federated Learning profitieren. Denken Sie etwa an Kreditkartenbetrug. Durch verteiltes maschinelles Lernen können Anomalien in der Kartenbehebung besser erkannt und daher ein Betrug schneller gemeldet werden.