Kurz und Knapp
- Durch Maschinelles Lernen werden in der Forschung große Fortschritte erzielt: Anstelle von Rohdaten werden bei diesem Prinzip nur die trainierten Modelle ausgetauscht.
- Gemeinsam mit Volkswagen hat das Fraunhofer-Institut IAIS ein Whitepaper veröffentlicht, das die Vorteile der Technologie am Beispiel des autonomen Fahrens erläutert.
- Das Verfahren ist nicht nur schneller als das klassische Lernen in der Cloud, sondern schafft auch wichtige Voraussetzungen für den Datenschutz.
Fraunhofer-Institut IAIS und VW erklären neue Technologie im Whitepaper
Das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS und Volkswagen wollen das Prinzip nun zugänglicher machen und haben ein Whitepaper veröffentlicht. Beim klassischen maschinellen Lernen findet das Training der neuronalen Netze vorwiegend in der Cloud statt. Auf einer zentralen Big-Data-Plattform werden historische Daten fortlaufend durch neue Datensätze ergänzt, die beispielsweise über die manuelle Nutzereingabe oder intelligente Sensortechnik gewonnen werden.
Damit das künstliche neuronale Netz kontinuierlich lernen kann, ist der Upload von immer neuen Daten nötig. In zahlreichen Anwendungen ist dieses Paradigma jedoch weder technisch wünschenswert noch rechtlich möglich: Wie im Gesundheitswesen spielt auch im Automotive-Umfeld der Datenschutz eine besondere Rolle. Er stellt einen gewichtigen Grund dar, dass Kundendaten nicht an eine zentrale Plattform in der Cloud übermittelt und dort gespeichert werden. Hinzu kommen technische Hindernisse wie geringe Bandbreiten, hohe Kommunikationskosten, Gefahren des Datenabgriffs durch Cyberattacken sowie die Notwendigkeit kurzer Reaktionszeiten.
Das Verfahren des verteilten maschinellen Lernens verfolgt hier einen neuen Ansatz: Zentrale Idee des sogenannten »learning on the edge« ist es, anstelle der Rohdaten nur die Modelle auszutauschen. Informationen über den Nutzer bleiben auf dem Gerät und werden nur lokal gespeichert. Der Aufwand für den Austausch von Modellen ist im Vergleich zum Austausch von Rohdaten deutlich geringer. Neue Rohdaten werden direkt vor Ort und ohne Verzögerung verarbeitet. Dadurch lassen sich lange Übertragungszeiten vermeiden. Im biomedizinischen Bereich wird dieser Ansatz bereits genutzt, zum Beispiel, um für verschiedene Kliniken ein gemeinsames Modell zur Tumorerkennung zu lernen. Die sensiblen Patientendaten verlassen die jeweilige Klinik nicht. Die Gegebenheiten solcher Realeinsätze besser zu berücksichtigen und die Datenschutzfreundlichkeit des Ansatzes weiter zu erhöhen sind Schwerpunkte der aktuellen Forschungstätigkeiten im Bereich des verteilten Lernens.
Im Falle des autonomen Fahrens entsprechen die Endgeräte den Fahrzeugen einer Flotte, weshalb auch von Flottenlernen (engl. »fleet learning«) gesprochen wird. Eine Forschungsgruppe des Fraunhofer-Instituts IAIS und des Volkswagen-Konzerns haben gemeinsam untersucht, wie die zentralen Herausforderungen des Flottenlernens bewältigt werden können. Die Ergebnisse stellten sie auf der European Conference on Machine Learning (ECML) 2018 in Dublin vor.
16.05.2019
in Kooperation mit dem
