idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Die Entwicklung von KI-Modellen in Gemeinschaftsprojekten liefert bessere Ergebnisse, weil mehrere Unternehmen ihre Daten einbringen. Kritisch wird es, wenn ein Partner aussteigt und seine Daten zurückfordert. Fraunhofer-Forschende und Fujitsu Research haben mit dem föderierten Unlearning eine Methode entwickelt, mit der Daten präzise aus dezentralisierten KI-Modellen entfernt werden können.
Wenn mehrere kooperierende Unternehmen Daten in eine KI einspeisen, erhält das Lernmodell besonders viele unterschiedliche Daten. Dementsprechend generiert es hochwertigere und zuverlässigere Ergebnisse. Um ihre Datenhoheit zu bewahren, setzen Unternehmen auf föderierte, dezentrale Trainingsansätze. Die Daten werden hier nicht zu einem zentralen Server gesendet, sondern lokal in eine Kopie des KI-Modells eingespeist. Statt der Daten werden dann nur abstrakte Parameter zwischen den Partnern ausgetauscht. Jeder Partner kann der KI Daten zur Verfügung stellen, ohne diese den anderen Unternehmen preisgeben zu müssen.
Doch ein Problem bleibt: Wenn ein Unternehmen das Gemeinschaftsprojekt verlässt, stecken dessen Daten und Parameter immer noch tief im KI-Modell. Diese Daten aus der Black Box KI zu extrahieren, ohne dass die Qualität der Ergebnisse, etwa in Vorhersagen oder Simulationen, darunter leidet, war bisher kaum möglich.
Alles auf Anfang
Jetzt hat das Fraunhofer-Institut für Software- und Systemtechnik ISST in Dortmund gemeinsam mit dem Industriepartner Fujitsu Research eine Lösung entwickelt: das Unlearning für dezentrale, föderierte KI-Kollaborationen. Dabei geht man in der Historie des schrittweisen KI-Lernprozesses bis zu dem Punkt zurück, an dem der betreffende Partner seine Daten eingespeist hat. An dieser Stelle wird das Training der KI wieder aufgenommen – nur eben ohne die Daten des ausgestiegenen Partners. Die Methode gewährleistet, dass alle Infos und Daten des Unternehmens, das die Kooperation verlässt, vollständig aus der KI entfernt werden. Zudem verläuft das Retraining des Modells mit Hilfe der hinterlegten Parameter effizienter als im ersten Durchgang.
Florian Zimmer, Wissenschaftler am Fraunhofer ISST, sagt: »Der Wiederaufbau des Lernmodells mit den Daten der verbliebenen Partner startet nicht bei null. Damit werden die Leistungsfähigkeit und Integrität der KI mit relativ wenig Aufwand wiederhergestellt. Je nach Anwendung ist durch den Wegfall eines Teils der Daten ein gewisser Qualitätsverlust bei den Ergebnissen unvermeidlich, das wird aber in der Folgezeit durch weitere Lernschritte der KI ausgeglichen.«
Learning und Unlearning in der Praxis
Ein mögliches Anwendungsszenario für den Einsatz von KI mit föderiertem Learning und Unlearning ist der Einsatz von Maschinen in der produzierenden Industrie. Nutzen beispielsweise mehrere Unternehmen das gleiche Modell einer Fräsmaschine auf unterschiedliche Weise, so fließen auch unterschiedliche Daten in das KI-Training ein. Ein Partner steuert beispielsweise Daten bei, wenn der Motor der Maschine versagt, ein anderer, wenn der Fräskopf bricht.
Dementsprechend kann die KI im Praxisbetrieb vorab simulieren, wann der Motor droht zu überhitzen oder wann ein Fräskopf seine Belastungsgrenze erreicht. Davon profitieren zunächst alle beteiligten Unternehmen. Janosch Haber vom Projektpartner Fujitsu Research sagt: »In solch einem Fall würde mit bisherigen Trainingsansätzen der Weggang eines Partners bedeuten, dass das entwickelte Modell vollständig neu trainiert werden muss. Vor dem Wiederaufbau würde also zunächst die Qualität der KI-Simulation stark beeinträchtigt sein – unabhängig davon, wie wichtig die Daten des Partners waren. Mit Unlearning wird dieser Qualitätsverlust größtenteils aufgefangen und ein hochwertiges Simulationsmodell schnell und effizient wiederhergestellt. Der Weggang eines Partners macht sich in der Regel kaum negativ bemerkbar.«
Schub für KI-Nutzung
Mit der vom Fraunhofer ISST und Fujitsu Research entwickelten Methode des föderierten Unlearning für dezentralisierte KI-Modelle können Unternehmen ohne Bedenken in Gemeinschaftsprojekte einsteigen. Sie nutzen das enorme Potenzial der KI, um Lösungen oder Produkte in hoher Qualität und besonders effizient zu entwickeln. Gleichzeitig haben sie die Gewissheit, aus dem gemeinsamen Projekt aussteigen zu können, ohne die betriebseigenen Daten zurücklassen zu müssen. Dies kommt auch Unternehmen zu Gute, die sich an regulatorische Rahmenbedingungen im Umgang mit Daten halten müssen, wie zum Beispiel der DSGVO. »Damit könnte der Einsatz von KI in Unternehmensnetzwerken und Partnerschaften einen spürbaren Schub bekommen. Das wird auch insgesamt der Industrie und der technologischen Souveränität in Deutschland und Europa zugutekommen«, ist Zimmer überzeugt.
Einen Demonstrator des föderierten Unlearning stellen Expertinnen und Experten des Fraunhofer ISST und von Fujitsu Research auf der Hannover Messe vor (20. bis 24. April 2026, Halle 11, Stand D33).
https://www.fraunhofer.de/de/presse/presseinformationen/2026/april-2026/unterneh...
Mithilfe von föderiertem Unlearning gehen dezentrale KI-Modelle auf den Zustand vor Eintritt eines D ...
Copyright: Fraunhofer ISST
Merkmale dieser Pressemitteilung:
Journalisten, Lehrer/Schüler, Studierende, Wirtschaftsvertreter, Wissenschaftler
Informationstechnik, Maschinenbau, Wirtschaft
überregional
Forschungsergebnisse, Forschungsprojekte
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
