Federated Learning: Vorteile von Edge- und Cloudtechnologie

In SECAI werden KI-Modelle für die Prognose von Energieverbräuchen und zur Vorhersage der optimalen Regulierung der Zentralheizung eingesetzt. Technisch steht dabei vor allem das Zusammenspiel zwischen Edge- und Cloud-Technologien im Mittelpunkt. Im Rahmen des Projekts sollen die Vorteile beider Technologien durch den sog. Federated-Learning-Ansatz kombiniert werden. Dabei handelt es sich um ein Konzept des maschinellen Lernens, bei dem KI-Modelle auf mehreren Geräten trainiert werden, die über einen eigenen lokalen Datensatz verfügen, der nicht mit anderen Teilnehmern ausgetauscht wird. Dadurch ergibt sich ein sicherer Umgang mit sensiblen Daten, bei dem die Interessen der verschiedenen Stakeholder gewahrt werden. Federated Learning bietet darüber hinaus weitere Vorteile wie beispielsweise eine geringe Bandbreitennutzung oder eine flexible Datenverarbeitung.

Wie sieht der Federated Learning-Ansatz bei SECAI konkret aus? Die für das Training notwendigen Heizdaten werden durch Sensoren gesammelt, die Aktivitäten der Mietenden oder Abweichungen erkennen. Potenziell sensible Nutzerdaten bleiben bei SECAI auf dem Edge-Device und werden nicht an die Cloud übermittelt. Auf der Edge-Ebene werden KI-Modelle trainiert, die die Effizienz der Heizung steigern sollen, um den Energieverbrauch und die laufenden Kosten zu reduzieren.

Diese Modelle werden anschließend an einen zentralen Akteur in der Cloud übermittelt, der sie unter Verwendung von „Secure Aggregation“-Methoden weiter zu einem übergeordneten globalen Modell zusammenfasst. Hier werden die Informationen aus den einzelnen Gebäuden in der Cloud zusammengefasst und in ein generalisiertes Modell übersetzt, das wiederum an die einzelnen Devices übermittelt wird. Die lokalen KI-Modelle lassen sich so durch das generalisierte Modell zusätzlich optimieren.

Während Federated Learning die Nachteile herkömmlicher Verfahren in Bezug auf verteilte Systeme ausgleicht, bringt es andererseits auch neue Herausforderungen mit sich, dies es zu lösen gilt. Zum einen benötigen die eingesetzten Devices höhere Rechenkapazitäten, um lokale Modelle zu trainieren, statt ihre Beobachtungen an einen zentralen Server zu senden. Zum anderen sind die Beobachtungen der Klienten weder unabhängig noch identisch verteilt, was jedoch in den meisten Modellen angenommen und vorausgesetzt wird. Im SECAI-Ansatz werden Vorkehrungen getroffen, die diese Aspekte adressieren. Darüber hinaus können in einigen Fällen auch über versandte Modelldaten Rückschlüsse auf verwendete Trainingsdaten getroffen werden. Durch die Kombination von Federated Learning mit anderen KI-Trainings-Methoden können auch solche Rückschlüsse unterbunden werden.

Artikel in Audio-Format: