Federated Learning: Ein Leitfaden zum kollaborativen Training mit dezentralisierten sensiblen Daten – Teil 1

Heutzutage hat der Zugang zu qualitativ hochwertigen Daten aus der realen Welt einen großen Einfluss auf den Erfolg datengesteuerter Projekte, da die Qualität einer Lösung mittels maschinellem Lernen stark von den verfügbaren Trainingsdaten abhängt. Andererseits sind die Dateneigentümer oft nicht in der Lage, ihre Daten weiterzugeben, da diese sensible Informationen wie Betriebsgeheimnisse oder persönliche Informationen, die der DSGVO unterliegen, enthalten können. So auch die Kunden unserer Partner ASYS, SW und Schütte im Forschungsprojekt KOSMoS. Federated Learning ermöglicht die Nutzung sensibler Daten für die Zwecke des maschinellen Lernens unter Wahrung der Privatsphäre und ohne Offenlegung dieser Daten.

Christian Becker von inovex erklärt in einem Blogpost, wie Federated Learning funktioniert und welche Datenschutztechniken notwendig sind, um den Schutz sensibler Daten zu gewährleisten.

Den vollständigen Blogpost findet ihr hier: https://www.inovex.de/blog/federated-learning-collaborative-training-part-1/