Das Problem: Viele Maschinenbauer, Anwender oder Kunden wollen heute noch keine Daten mit den Herstellern teilen und fordern gleichzeitig Optimierungen ihrer Anlagen – auch mittels Machine Learning. Doch ohne ausreichende Daten, kein Training und keine Modelle und damit kein maschinelles Lernen. Expertinnen und Experten sprechen vom Distributed Data Dilemma – der Anwender kommt nicht an die Daten, die er braucht, um sein Problem zu lösen.

Die Lösung: US-Tech-Konzerne kennen das Problem des Maschinenbaus, der Industrie schon länger. Die Smartphone-Industrie gilt als Vorreiter für den Federated Learning-Ansatz. Drückt der Smartphone Kunde den Buchstaben A in seiner Message-App erscheinen die Wörter „aber oder also“, passen diese nicht, tippt er weiter. Drückt er A und L schlägt das System das Wort „alles“ vor. Er wählt es aus und schreibt weiter „Alles in“ und den Begriff „Ordnung“ gibt die Anwendung sofort vor. Und das leistet nicht nur sein Smartphone, sondern alle Google- oder Apple-Geräte weltweit. Sie wurden von den Anwendern unwissentlich lokal trainiert. Wählt er nun ein vorgeschlagenes Wort aus, trainiert er das Modell auf dem Smartphone weiter. Am Abend, wenn das Handy geladen wird, trainiert das Gerät die Modelle und macht sie versandbereit. Sobald das Smartphone wieder online ist, sendet es das trainierte Modell an die Google- oder Apple-Entwickler. Der Nutzer sendet keine Daten, sondern verschlüsselte, trainierte Modelle. Alle Informationen, die auf dem Smartphone eingeben werden, verlassen das Smartphone nicht. Die Entwickler nutzen diese für ihre Modelle und schicken sie dann neu trainiert wieder zurück. Es entsteht ein kontinuierlicher Verbesserungskreislauf ohne das Daten geteilt werden. Und dieses Prinzip funktioniert auch für Maschinen.

Die Herausforderung: Beim Federated Learning sind im ersten Schritt nicht die KI-Modelle, sondern die Infrastruktur und die Entwicklungswerkzeuge, die es ermöglichen mit Daten zu arbeiten, zu denen kein direkter Zugriff besteht. Verteilte Netze mit Edge-Devices, Cloudanbindungen und dann noch an verschiedenen geografischen Positionen mit eingeschränkter Konnektivität sind der Alltag. Dazu kommt, dass Anbieter wie Katulu erst einmal alle Assets, die notwendig für ein Lernen sind, in der Produktion finden und sinnvoll gruppieren müssen, ohne direkt etwas über die Assets zu erfahren.

Das Basismodell: Der nächste Schritt ist dann ein initiales Modell. Dafür erfassen Mitarbeitende des Maschinenbauers im Technikum oder Labor erste Datensätze der Maschine. Die Modelle des Kunden werden zusätzlich noch verschlüsselt, um keine Rückschlüsse auf die Daten zu ermöglichen.

Wie und warum Siemens die Technologie einsetzt und welche Erfahrungen sie damit gemacht haben, erklären die Projektpartner im Workshop KI in der Industrie .