Um die Maschinenleistung zu optimieren, benötigen Unternehmen oft eine anlagenübergreifende Datenanalyse in Echtzeit. Herausforderungen wie Datenschutzbedenken, die riesige Datenmenge und begrenzte Konnektivität können jedoch den Datenaustausch zwischen den Standorten verhindern.

Federated Learning bietet eine innovative Lösung, indem es kollaboratives Lernen aus verteilten Daten ohne Zentralisierung ermöglicht. Dieser Ansatz verbessert effektiv die Maschinenleistung, wahrt den Datenschutz und fördert den effizienten Wissensaustausch zwischen dezentralen Teilnehmern. In diesem Artikel befassen wir uns mit den Grundlagen des föderierten Lernens, seiner Funktionalität und den Erfolgsgeschichten aus der Praxis.

‍

Was ist Federated Learning?

Federated Learning ist ein Ansatz des maschinellen Lernens (ML), der auch als kollaboratives Lernen bekannt ist und es ermöglicht, Modelle über dezentrale Geräte oder Datenquellen hinweg gemeinsam zu trainieren, ohne lokale Rohdaten auszutauschen (die Rohdaten lokalisiert und privat bleiben).  

Es wurde erstmals 2017 von Google-Forschern als Methode zum gemeinsamen Trainieren eines neuronalen Netzes über Smartphones hinweg vorgestellt, ohne dass lokale Nutzerdaten hierfür offengelegt werden mussten.  

Beim traditionellen ML werden die Daten für das Modelltraining oft auf einem Server oder in der Cloud zentralisiert, was Datenschutz- und Sicherheitsrisiken birgt. Beim föderierten Lernen hingegen werden Modelle gemeinsam und dezentral trainiert, während die Daten lokal und vertraulich bleiben.

Das Grundkonzept des Federated Learning besteht darin, ein einheitliches Modell auf dezentralen Geräten einzusetzen, das mit den lokalen Daten trainiert und aktualisiert wird. Nur die aktualisierten Modellparameter werden an die zentrale Instanz weitergegeben, während die privaten Daten auf dem Gerät verbleiben.

‍

Wie Federated Learning funktioniert?

‍

Im Kern umfasst das Federated Learning drei Hauptkomponenten: den zentralen Server, die Clients (Geräte oder Datenquellen) und das ML-Modell. Der Prozess läuft in der Regel wie folgt ab:  

1. Lokales Modelltraining: ML-Modelle werden auf den Clients (in der lokalen Umgebung auf den lokalen Daten) trainiert und fassen dann die wichtigsten Änderungen als Update zusammen.

2. Modellzentralisierung und -fusion: Für jeden verteilten Client werden nur die aktualisierten Modellparameter über verschlüsselte Kanäle an den zentralen Server (in der Cloud) übertragen. Hier wird das aktualisierte Modell mit den Aktualisierungen anderer Clients verschmolzen, um das kollaborative Gesamtmodell zu verbessern.

3. Neuverteilung des Modells: Das fusionierte Modell wird neu verteilt und an den lokalen Daten individualisiert. Dann wird ein weiterer Zyklus gestartet, bis die gewünschte Modellleistung erreicht ist.  

4. Bereitstellung des Modells: Die Trainingsdaten verbleiben ausschließlich auf dem Client, ohne dass individuelle Updates in der Cloud gespeichert werden.

‍

Was sind die üblichen Anwendungen in den Industrien?  

Im Folgenden werden die typischen Anwendungen des Federated Learning in verschiedenen Branchen vorgestellt:

1. Fertigung: In der Fertigung kann Federated Learning eingesetzt werden, um Maschinenmodelle werksübergreifend zusammenzuarbeiten und zu verfeinern, ohne dass sensible Maschinendaten ausgetauscht werden müssen, was eine vorausschauende Wartung und verbesserte Qualitätskontrolle ermöglicht.

2. Energie: Federated Learning ermöglicht es Fertigungsbetrieben, Energieverbrauchsmuster über verschiedene Standorte oder Produktionslinien hinweg zu analysieren. Durch die Zusammenführung von Daten aus verschiedenen Quellen können die Werke Algorithmen entwickeln, die den Energieverbrauch auf der Grundlage des Echtzeitbedarfs, der Produktionsanforderungen und externer Faktoren wie Wetterbedingungen optimieren.

3. Autonome Fahrzeuge: Unternehmen können mit Hilfe von Federated Learning ihre Modelle verbessern, indem sie Daten von Fahrzeugen auf der Straße sammeln, ohne Standort- oder Routeninformationen preiszugeben.

4. Gesundheitswesen: Federated Learning ermöglicht es Krankenhäusern und Forschungseinrichtungen, prädiktive Krankheitsmodelle für die klinische Forschung zu trainieren, ohne dabei Patientendaten preiszugeben. Auch bei der Gesundheitsüberwachung kann die Zusammenarbeit zwischen persönlichen Gesundheitsgeräten wie Wearables und Smartwatches Vorhersagemodelle für den Gesundheitszustand verbessern, ohne dass persönliche Gesundheitsdaten ausgetauscht werden müssen.

5. Intelligente Stadt: Federated Learning kann genutzt werden, um das Verkehrsmanagement zu optimieren und Staus zu reduzieren, indem Verkehrsdaten von mehreren Sensoren und Kameras abgerufen werden.  

‍

Warum Federated Learning in der Fertigung verwenden?

Zur Bewältigung von Problemen wie dem Datenschutz, unterschiedlichen Anforderungen und unregelmäßigen Internetverbindungen ist Federated Learning in der Fertigungsindustrie von großer Bedeutung:  

1. Standortübergreifende Zusammenarbeit und Einblicke in Echtzeit: Federated Learning ist ideal für Unternehmen mit mehreren, über verschiedene Standorte verteilten Anlagen, da es ihnen ermöglicht, Modelle für die Qualitätskontrolle, die vorausschauende Wartung und die Prozessoptimierung gemeinsam zu verbessern, ohne die Daten zu zentralisieren. Dies verbessert nicht nur die Entscheidungsfindung und reduziert die Kosten für die Datenübertragung und die Sicherheitsrisiken, sondern ist besonders in IoT-Umgebungen von großem Wert.

2. Effizienz und Skalierbarkeit: Federated Learning revolutioniert den Trainingsprozess, indem es die Ressourcen der Client-Geräte nutzt, den Bedarf an Datenübertragung und zentraler Serververarbeitung reduziert. Dies steigert die Effizienz, reduziert die Bandbreitenanforderungen und ist gut skalierbar, um eine große Anzahl von Clients unterzubringen.  

3. Einhaltung gesetzlicher Vorschriften: Für Unternehmen, die in Regionen mit strengen Datenschutzbestimmungen tätig sind, wie z. B. GDPR in Europa, bietet föderiertes Lernen einen Compliance-freundlichen Ansatz, da die Daten lokalisiert bleiben und die grenzüberschreitende Datenübertragung minimiert wird.  

‍

Wie prenode das Federated Learning einsetzt  

prenode verwendet Federated Learning als Kernmethode für KI/ML-Projekte. Sie lässt sich in bestehende IT-Infrastrukturen integrieren und ermöglicht eine sichere und asynchrone Kommunikation zwischen verschiedenen Einheiten. Mit dem Ansatz des Federated Learning konnte eine Reihe von industriellen Anwendungen erfolgreich umgesetzt werden, einschließlich vorausschauender Wartung, intelligenter Überwachung, Fernbetrieb und Lösungen im Gesundheitswesen.  

Im Folgenden finden Sie Beispiele dafür, wie wir Federated Lernen einsetzen:

• Vorhersage der Sortierzeit von Blechteilen zur Verbesserung der Produktionsplanung mit dem TRUMPF Sorting Guide: Der Sorting Guide hilft bei der manuellen Sortierung von lasergeschnittenen Blechteilen. Die vertraulichen Teilespezifikationen können nicht an Dritte weitergegeben werden, auch nicht an TRUMPF. Um das Lernen über verschiedene Installationen hinweg zu ermöglichen, verwenden wir föderiertes Lernen, um Modelle zu trainieren und lokal auf Edge-Geräten einzusetzen, um die Sortierzeit vorherzusagen und so die Produktionsplanung zu optimieren und Ausfallzeiten zu reduzieren.
  ‍
• Klassifizierung ZEISS OCT-Scans der Netzhaut zur Unterstützung medizinischer Entscheidungen: Medizinische Daten sind hochsensibel, und ihre Zentralisierung ist oft nicht möglich. In Zusammenarbeit mit Forschern der ZEISS Gruppe und der Carl Zeiss Meditec AG haben wir unseren dezentralen Ansatz angewendet, um Anomalien in OCT-Bildern von Augen zu erkennen.
  ‍
• Vorhersage von Fehlern auf WEISSER Präzisionsdrehmaschinen zur Erhöhung der Maschinenverfügbarkeit: Wir nutzen verteilte Datenquellen, um Wartungsereignisse für WEISSER-Maschinen vorherzusagen. Die verschiedenen ML-Modelle werden voneinander lernen, so dass Ausfälle mit höherer Genauigkeit vorhergesagt werden können. Föderiertes Lernen kann das Problem überwinden, dass Ausfälle an einzelnen Maschinen nur selten auftreten.

‍

Zusammenfassend  

Im Gegensatz zu zentralisiertem Lernen bietet Federated Learning erhebliche Verbesserungen beim Datenschutz, ohne die Modellgenauigkeit zu beeinträchtigen. Durch die Kombination der Dezentralisierung von Maschinendaten, Edge-KI und der Leistungsfähigkeit des föderierten Lernens können Branchen ihre vorausschauende Wartung verbessern, Prozesse optimieren und die Skalierbarkeit und Kosteneffizienz erhöhen. Sie hat sich als robuste, skalierbare und produktionsreife Strategie erwiesen, wie die Übernahme durch Branchenriesen wie Google beweist. Die Vorteile, die Unternehmen aus der Einführung von Federated Learning ziehen, überwiegen bei weitem die damit verbundenen technischen Herausforderungen und fördern die digitale Transformation und Industrie 4.0.

‍

‍