Verteiltes Lernen

Die modernen Methoden der Künstlichen Intelligenz (KI) sind ein mächtiges Werkzeug, um die komplexen Probleme in unserer Gesellschaft anzugehen. Dabei erfordern immer tiefere neuronale Netze auch immer größere und diversere Datenmengen. Alleine dies stellt eine riesige Herausforderung dar. Daher sammeln datenverarbeitende Unternehmen immer mehr Informationen für das Training von KI. Während es derzeit Standard ist, alle Daten in eine zentrale Cloud zu schicken, arbeitet das Fraunhofer IMS an einer anderen Lösung – dem Verteilten Lernen, das sogar auf ressourcen-limitierten eingebetteten Systemen funktioniert.

• Daten bleiben in den eigenen Händen

Im Gesundheitswesen und weiteren Anwendungsfeldern stellt der Datenschutz ein entscheidendes Kriterium dar. Gesetzliche Vorgaben und auch die Informationskultur von Unternehmen verbieten es, Daten mit anderen Teilnehmern zu teilen.

Daher kommt beim Verteilten Lernen das Netz zum Anwender. Auf den eigenen Geräten werden die sensiblen Daten zum Training genutzt. Anschließend wird nur der erreichte Lernerfolg übermittelt, sodass alle Teilnehmer ihre eigenen Daten nicht aus der Hand geben müssen.

• Profitieren von dem Wissen der anderen

Nach dem Training folgt die Zusammenführung der einzelnen Lernfortschritte zu einem gemeinsamen Modell. Dieses wird abschließend erneut verteilt. So profitiert jeder Teilnehmer von dem Wissen der anderen, ohne die eigenen Daten preiszugeben.

• Anwendung in Echtzeit

Ein entscheidender Vorteil ist zusätzlich, dass die Teilnehmer unabhängig voneinander lernen können. Wir arbeiten daran, diese Vision wahr werden zu lassen. Ein Beispiel stellt die Handschrifterkennung auf mehreren Geräten dar. Ziel ist die Erkennung von Zeichen wie Buchstaben und Ziffern. Auch wenn alle Teilnehmer unterschiedliche Zahlen beigebracht bekommen, profitieren alle am Ende durch den Ansatz des Verteilten Lernens und können alle Zahlen richtig erkennen. So können auch in kleinen Skalen und innerhalb kürzerer Zeit mehr Daten aufgenommen und verarbeitet werden. Denn in der Echtzeit-Anwendung limitieren Bandbreiten und Latenzzeiten den Einsatz von Cloud-Lösungen.

• Das Fraunhofer IMS setzt sich für ihre Daten ein

Das Fraunhofer IMS beschäftigt sich damit, den Aufwand der Kommunikation noch weiter zu reduzieren, ohne eine merkliche Verringerung der Qualität des gemeinsamen Modells hinnehmen zu müssen. Des Weiteren wird an Methoden geforscht, um die Ausfallsicherheit zusätzlich zu erhöhen. Dies alles befähigt den Einsatz von Verteilten Lernen im datensensiblen Umfeld.