Pitch
Entwicklungsstand
Wissenschaftliche Fundierung
Entwicklung und Konkretisierung
Erste Erprobung in der Praxis
Evaluierung und Optimierung
Fertig für den praktischen Einsatz
Welches Problem liegt in vielen Unternehmen vor?
Oft gibt es eine räumliche Verteilung gewaltiger Datenmengen in Unternehmen. Mit diesen soll ein neuronales Netz trainiert effizient werden, ohne dass diese Daten in die falschen Hände geraten.
Wie trägt das Tool zur Lösung des Problems bei?
Federated Learning basiert auf einer kleinen Serverstruktur. Der Federated Server broadcasted das Machine Learning-Modell an verschiedene Geräte, die das Modell lokal mit den jeweils vorhandenen Daten trainieren. Danach wandern die Daten zurück in die Cloud und der Server aggregiert ein neues Modell.
Wie wird das Tool im Unternehmen angewandt?
In einem mittelständischen Unternehmen sollen Maschinen mit anomaly detection überprüft werden. Entweder kann jede Maschine ein eigenes ML-Modell besitzen, dann kann sich das Modell jedoch nicht an neue Umgebungen anpassen. Oder jede Maschine wird auf den lokalen Daten trainiert, die aber möglicherweise nicht ausreichen, um ein Modell optimal zu generieren. Hier kommt Federated Learning ins Spiel: Die Maschinen bekommen ein vortrainiertes Modell und laden dann ihre Daten in die Cloud hoch, so dass ein neues Modell generiert werden kann. So können auch neue Geräte hinzugefügt werden und die Routine ist bei Ausfällen einzelner Geräte gesichert.
Welchen Mehrwert stiftet das Tool im Unternehmen?
Federated Learning macht kollaboratives Lernen möglich. Der Datenschutz wird eingehalten, keine Daten werden an Dritte geschickt. Aufgrund seiner Einfachheit ist Federated Learning sehr effizient.
AnsprechpartnerInnen
