kurz erklärt

Federated Learning

AI Governance Deep Learning EU AI Act Explainable AI (XAI) Federated Learning Innovationsbeirat Künstliche Intelligenz (KI) Large Language Model (LLM) Machine Learning Synthetic Data

Federated Learning bringt das KI-Modell zu den Daten statt die Daten zum Modell — jeder Teilnehmer trainiert lokal, geteilt werden nur die Ergebnisse.

Google hat das Verfahren 2017 erstmals unter diesem Namen beschrieben und nutzt es seitdem für die Tastaturvorhersage auf Android-Geräten. Technisch läuft es so: Jeder Teilnehmer trainiert auf seinen eigenen Daten und teilt nur die Modellaktualisierungen mit einem zentralen Server, der die Ergebnisse zusammenführt. Die Rohdaten bleiben wo sie sind.

Warum das im europäischen Kontext besonders relevant ist

Die DSGVO und der EU AI Act setzen enge Grenzen für den Umgang mit personenbezogenen Daten. Federated Learning löst ein Dilemma, das viele europäische Unternehmen lähmt: Sie sitzen auf wertvollen Daten, dürfen sie aber nicht zentral zusammenführen. Krankenhäuser können gemeinsam bessere Diagnosemodelle trainieren, ohne Patientendaten auszutauschen. Banken können Betrugserkennungsmodelle über Institutsgrenzen hinweg verbessern, ohne Transaktionsdaten offenzulegen.

Die Grenzen des Ansatzes

Federated Learning ist kein Allheilmittel. Die Kommunikation zwischen den Teilnehmern ist bandbreitenintensiv, die Konvergenz langsamer als bei zentralem Training, und die Heterogenität der lokalen Datensätze kann die Modellqualität beeinträchtigen. Dazu kommt ein subtileres Problem: Auch Modellaktualisierungen können unter bestimmten Umständen Rückschlüsse auf die Originaldaten erlauben. Differential Privacy und Secure Aggregation sind Gegenmaßnahmen, machen das System aber komplexer.

Verbindung zu Open Innovation

Federated Learning überträgt ein Open-Innovation-Prinzip auf maschinelles Lernen: Zusammenarbeit ohne vollständige Offenlegung. Unternehmen, die sich als Wettbewerber verstehen, können gemeinsam von besseren Modellen profitieren, ohne ihre Datenbasis preiszugeben. Das ähnelt strukturell dem Gedanken hinter Open Source — gemeinsam mehr erreichen als allein, ohne alles teilen zu müssen.

Wo es hingeht

Mit der zunehmenden Regulierung von KI-Trainingsdaten und dem wachsenden Bewusstsein für Datensouveränität wird Federated Learning vom Nischenthema zum strategischen Baustein. Für Organisationen, die KI einsetzen wollen ohne die Kontrolle über ihre Daten aufzugeben, ist es weniger eine technische Option als eine Grundsatzentscheidung.