Federated

Federated (föderiert) beschreibt eine Architektur, in der mehrere dezentrale Einheiten zusammenarbeiten, ohne ihre Daten zu zentralisieren. Im KI-Kontext bedeutet das: Gemeinsam lernen, ohne Daten zu teilen.

Die Motivation: Daten sind in vielen Domänen verteilt und können aus rechtlichen, praktischen oder ethischen Gründen nicht zentralisiert werden. Krankenhaus A hat 10.000 Patientendaten, Krankenhaus B hat 15.000 — zusammen wäre der Datensatz für ein besseres Modell ausreichend, aber Patientendaten zwischen Krankenhäusern zu teilen ist durch Datenschutzgesetze untersagt.

Federated Learning löst das: Jedes Krankenhaus trainiert lokal, nur die Modellaktualisierungen (Gradienten) werden an einen zentralen Server gesendet und aggregiert. Kein einzelner Datenpunkt verlässt seinen Standort.

Die Varianten: Cross-Device Federated Learning (Millionen von Endgeräten — Smartphones, IoT-Sensoren) und Cross-Silo Federated Learning (wenige, aber leistungsfähige Institutionen — Krankenhäuser, Banken). Die technischen Herausforderungen unterscheiden sich: Bei Cross-Device sind Kommunikationskosten und heterogene Hardware zentral, bei Cross-Silo sind institutionelle Governance und Datenqualität die Hauptprobleme.

Google Gboard, Apple Intelligence und Healthcare-Konsortien (HealthChain, MELLODDY Projekt in der Pharmaforschung) nutzen föderierte Ansätze. Die Kombination mit Differential Privacy und Secure Aggregation verstärkt den Datenschutz: Selbst aus den aggregierten Modell-Updates können keine individuellen Datenpunkte rekonstruiert werden.