Forschungsbericht: Föderales maschinelles Lernen
Forschungsbericht des Büro für Technikfolgen-Abschätzung beim Deutschen Bundestag (TAB).
Unter dem Begriff föderales Lernen (Federated Learning – FL) wird eine Alternative zu zentralen Ansätzen des maschinellen Lernens (Machine Learning – ML) verstanden. Zentrale ML-Architekturen führen Daten von Nutzer/innen zu einem großen Datenpool zusammen und trainieren auf dieser Grundlage KI-Modelle. Bei FL werden die Rohdaten der Nutzer/innen erst gar nicht an einen zentralen Server übertragen. Vielmehr wird das KI-Modell dezentral auf den jeweiligen Endgeräten der Nutzer/innen trainiert. Lediglich die Ergebnisse des lokal ausgeführten Trainingsprogramms werden anschließend zusammengeführt und für das Training eines zentralen KI-Modells verwendet.
Unternehmen wie auch Datenschützer erhoffen sich davon eine höhere Akzeptanz bei Nutzer/innen, womit erhebliche gesellschaftliche und ökonomische Potenziale verbunden wären. Bei Smartphones und Sprachassistenten kommt FL bereits heute zum Einsatz. Im Zusammenhang mit industriellen Services, wie der vorausschauenden Instandhaltung (Predictive Maintenance), sind erste Anbieter am Markt. Für sensible Anwendungskontexte, wie das Gesundheitswesen und die Strafverfolgung, sind entsprechende Systeme in der Entwicklung.
Jüngste Forschungsergebnisse deuten darauf hin, dass trotz zusätzlich implementierter Privacymechanismen (z.B. Differential Privacy und homomorphe Verschlüsselung) der Datenschutz durch FL nicht ohne Weiteres zu garantieren ist. Dies stellt Leistungsversprechen von Anbietern und bislang angenommene Vorteile beim Datenschutz grundsätzlich infrage. Sowohl für Unternehmen als auch für politische Entscheider/innen erwächst daraus unmittelbarer Handlungsbedarf.