F\u00f6deriertes Transferlernen ist ein Begriff aus den Bereichen K\u00fcnstliche 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. F\u00f6deriertes Transferlernen geht einen anderen Weg: Die Daten bleiben dort, wo sie entstehen \u2013 zum Beispiel auf Smartphones oder in verschiedenen Unternehmen \u2013 und werden nicht an einen zentralen Ort geschickt. Stattdessen \u201elernen\u201c die k\u00fcnstlichen Intelligenzen vor Ort und teilen nur die Ergebnisse oder Modelle miteinander.<\/p>\n
Das Konzept des \u201eTransferlernens\u201c bedeutet, dass ein KI-Modell aus bestimmten Erfahrungen oder Datens\u00e4tzen lernt und dieses Wissen auf neue, \u00e4hnliche Aufgaben \u00fcbertr\u00e4gt. F\u00f6deriertes Transferlernen kombiniert beides und sorgt so daf\u00fcr, dass mehrere verschiedene Quellen voneinander profitieren, ohne sensible Daten weiterzugeben.<\/p>\n
Ein anschauliches Beispiel: Mehrere Krankenh\u00e4user m\u00f6chten gemeinsam eine KI trainieren, um Krankheiten fr\u00fcher zu erkennen. Sie k\u00f6nnen ihre Patientendaten jedoch aus Datenschutzgr\u00fcnden nicht teilen. F\u00f6deriertes Transferlernen erm\u00f6glicht es jedem Krankenhaus, lokal zu lernen und nur die Lernergebnisse zu teilen. So profitieren alle vom Austausch, ohne private Daten preiszugeben.<\/p>\n","protected":false},"excerpt":{"rendered":"