Föderiertes Lernen: Eine Reise von der Theorie bis zur Umsetzung
Der Anteil an mobilen Geräten sowie die dort entstehenden Datenmengen steigen immer weiter. Gleichzeitig wachsen rechtliche Rahmenbedingungen sowie die Sensibilität bei den Verbrauchern bezüglich Datenschutz. Bei einer zentralen Verarbeitung von Daten aus externen Quellen hat man es mit Risiken wie Datenlecks und hohen Compliance-Anforderungen zu tun.
Eine mögliche Lösung ist föderiertes maschinelles Lernen (FL). Das heißt: Jedes Gerät trainiert ein lokales Model und überträgt lediglich ein Modell-Update; die Daten verbleiben zu jeder Zeit am Ursprungsort.
Unser Beitrag gibt eine breite Einführung und einen Vergleich zwischen lokalen und föderierten Trainingsmethoden (inkl. Datenmanagement und Modell-Architekturen). Im Vortrag werden wir auch darauf eingehen, wie sich potenziell negative Effekte durch verteiltes Training abmildern lassen und wie FL zur Erschließung neuer Geschäftsmodelle genutzt werden kann.
Vorkenntnisse
- Kenntnisse im ML-Bereich
- Grundlegendes Verständnis von verteilten Systemen (Client-Server-Architektur)
Lernziele
Die Teilnehmer verfügen nach dem Vortrag über ein Grundverständnis von Techniken zum Föderierten Lernen. Dies schließt technische Vor- und Nachteile der Ansätze ein sowie etwaige wirtschaftliche Implikationen. Hörer:innen werden zudem in die Lage versetzt, eine initiale Abschätzung zu treffen, ob föderierte Lerntechniken für ihre Produkte und Prozesse Relevanz haben.