Föderiertes Transferlernen ist ein Begriff aus den Bereichen Künstliche Intelligenz und Big Data und wird vor allem bei der Entwicklung smarter, datenbasierter Anwendungen genutzt. Beim klassischen maschinellen Lernen werden riesige Datenmengen zentral gesammelt und verarbeitet. Föderiertes Transferlernen geht einen anderen Weg: Die Daten bleiben dort, wo sie entstehen – zum Beispiel auf Smartphones oder in verschiedenen Unternehmen – und werden nicht an einen zentralen Ort geschickt. Stattdessen „lernen“ die künstlichen Intelligenzen vor Ort und teilen nur die Ergebnisse oder Modelle miteinander.
Das Konzept des „Transferlernens“ bedeutet, dass ein KI-Modell aus bestimmten Erfahrungen oder Datensätzen lernt und dieses Wissen auf neue, ähnliche Aufgaben überträgt. Föderiertes Transferlernen kombiniert beides und sorgt so dafür, dass mehrere verschiedene Quellen voneinander profitieren, ohne sensible Daten weiterzugeben.
Ein anschauliches Beispiel: Mehrere Krankenhäuser möchten gemeinsam eine KI trainieren, um Krankheiten früher zu erkennen. Sie können ihre Patientendaten jedoch aus Datenschutzgründen nicht teilen. Föderiertes Transferlernen ermöglicht es jedem Krankenhaus, lokal zu lernen und nur die Lernergebnisse zu teilen. So profitieren alle vom Austausch, ohne private Daten preiszugeben.
Deutsch 
English (UK)