Föderiertes Lernen ist ein Trainingsverfahren, bei dem ein KI-Modell auf vielen Geräten oder an vielen Standorten lernt, ohne dass die Rohdaten diese verlassen. Jeder Teilnehmer trainiert lokal und schickt nur Modellaktualisierungen an einen zentralen Server, der sie zusammenführt. Das schont den Datenschutz und eignet sich etwa für Krankenhäuser, die gemeinsam ein Diagnosemodell verbessern wollen, oder für Smartphone-Tastaturen, die Wortvorschläge lernen.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDatenschutzvorschriften sind gesetzliche Regeln für den Umgang mit personenbezogenen Daten. In der EU ist die Datenschutz-Grundverordnung (DSGVO) maßgeblich; sie verlangt unter anderem eine Rechtsgrundlage für jede Verarbeitung, Datensparsamkeit, Transparenz gegenüber Betroffenen und Verträge zur Auftragsverarbeitung mit Dienstleistern. Beim Einsatz von KI ist zu klären, welche Daten in Eingaben, Wissensquellen und Protokolle gelangen und wo sie verarbeitet werden.
Trainingsdaten sind die Beispiele, aus denen ein KI-Modell Muster lernt – bei Sprachmodellen große Textsammlungen, bei Bildmodellen beschriftete Bilder. Ihre Qualität, Vielfalt und Aktualität bestimmen maßgeblich, wie zuverlässig, fair und auf welchem Wissensstand ein Modell später antwortet. Für Unternehmen ist zudem wichtig, ob ein Anbieter eingegebene Kundendaten für weiteres Training verwendet.
Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer Muster aus Daten ableiten, statt jede Regel ausdrücklich programmiert zu bekommen. Je nach Aufgabe lernen Modelle aus beschrifteten Beispielen (überwacht), aus unbeschrifteten Daten (unüberwacht) oder durch Belohnung (bestärkend). Anwendungen reichen von Spamfiltern über Nachfrageprognosen bis zu Produktempfehlungen. Die Qualität hängt stark von Menge und Güte der Trainingsdaten ab.
Synthetische Daten werden künstlich erzeugt, statt in der realen Welt erhoben zu werden, bilden aber deren Muster und Eigenschaften nach. Sie helfen, wenn echte Daten knapp, teuer oder datenschutzrechtlich heikel sind – etwa zum Testen von Software, zum Training von Modellen oder zum Prüfen eines Chatbots mit realistischen Beispielanfragen. Wichtig ist, dass sie die Wirklichkeit ausreichend abbilden und keine Rückschlüsse auf echte Personen zulassen.
