Federated Learning – Ein Rundumschlag von Theorie und Praxis

Immer mehr Geräte erzeugen immer mehr Daten. Jedoch können diese teilweise nicht genutzt werden, da rechtliche oder geschäftliche Interesse berücksichtigt werden müssen.

Federated Computing (Federated Learning + Federated Analytics) ermöglicht die Nutzung und Monetarisierung von Daten, ohne die Rohdaten zuteilen. Statt Rohdaten zu übermitteln. werden dezentral Berechungen durchgeführt und lediglich die Ergebnisse übermittelt.

Federated Computing ist somit ein vielversprechender Ansatz für das Vorantreiben von datengetriebenen Geschäftsmodellen. Federated-Computing-Systeme bestehen aus drei Bausteinen, welche auf den Anwendungsfalls miteinander abgestimmt werden müssen. Wir zeigen die Theorie dahinter und praktische Beispiele. Der Fokus liegt auf Federated Learning

Vorkenntnisse

• Grundlagen in maschinellem Lernen
  
• Grundlagen in verteilten Systemen
  

Lernziele

Nach dem Vortrag verstehen die Teilnehmenden das Konzept von Federated Computing. Sie lernen die verschiedenen Kategorien von Federated Computing kennen sowie deren Nutzen und Herausforderungen. Anhand von drei Beispielen aus dem Energie- und Mobilitätsbereich werden zudem konkrete Anwendungsszenarieren skizziert.