Federated Learning ist eine innovative KI-Technologie mit großem Potenzial für sensible Branchen, wie Banken- und Versicherungen. In diesem Vortrag geben wir einen Überblick über Anwendungsfälle und Vorteile der Technologie, einschließlich Performance, Datenschutz und Effizienzgewinne durch Dezentralität. Außerdem demonstrieren wir die technische Funktionsweise, inklusive Referenzarchitektur und zeigen Anwendungsbeispiele um zu demonstrieren, wie mittels Federated Learning innovative KI getriebene Anwendungsszenarien umgesetzt werden können.

Zielpublikum: Entscheider:innen, Projektleiter:innen, Data Scientists und Data Engineers
Voraussetzungen: Kein tieferes Vorwissen notwendig. Ein Grundverständnis von KI ist hilfreich.
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Einführung in FL und Plattform

Federated Learning (FL) ist eine Methode, bei der Daten auf verteilten Systemen gesammelt und verarbeitet werden, um ein gemeinsames Machine Learning-Modell zu erstellen, ohne dass die Rohdaten jemals zentral geteilt werden. Dies ermöglicht es, Datenschutz und Datensicherheit zu wahren, da die Daten nicht an einen zentralen Ort übertragen werden müssen. Federated Learning eignet sich daher besonders für Anwendungen, bei denen Daten dezentral vorliegen, oder für Anwendungsfälle auf Basis sensibler Daten.

Die von uns entwickelte Plattformlösung für Federated Learning ermöglicht es, diese Technologie schnell und einfach in Ihre Produkte und Dienstleistungen zu integrieren. Hierdurch kann das Federated Learning einfach auf Daten angewendet werden, ohne sich Gedanken über die technischen Details der Implementierung und den Aufbau einer komplexen Infrastruktur machen zu müssen. Auf diese Weise können schnell und einfach Machine Learning-Modelle auf der Grundlage der Daten von verteilten Entitäten erstellt werden.