Maschinen lernen voneinander : Bosch und AIT starten Forschungskooperation für Federated Learning

Die Kooperation mit dem AIT Center for Vision, Automation & Control (VAC) baut auf einer langjährigen und sehr erfolgreichen Zusammenarbeit zwischen Bosch Research und dem VAC auf dem Gebiet der Regelungstechnik auf. Der Fokus liegt auf adaptiven und lokal lernenden Algorithmen. Mit Federated Learning gehen die beiden Partner nun den nächsten Schritt in Richtung vernetzter und gemeinsam lernender Maschinen und Komponenten.

Das Ziel dieser Forschungskooperation ist es, das Konzept des Federated Learning auf komplexe nichtlineare dynamische Systeme zu übertragen, in ausgewählten Anwendungen umzusetzen und den Mehrwert von Federated Learning zu erschließen. Schwerpunkt des VAC-Beitrags ist es, vorhandene wissenschaftliche Lücken zu identifizieren und durch neue Methoden und Algorithmen zu schließen. Nach erfolgreicher Forschung und Anwendung von KI-Methoden in verschiedenen industriellen Anwendungen schlägt man mit Federated Learning ein neues Kapitel auf. Die dezentrale Optimierung von Modellen auf den datengenerierenden Geräten ermöglicht den Aufbau von selbstlernenden Systemen, die sich kontinuierlich anpassen können, ohne die Datensicherheit zu kompromittieren. Bosch Research bringt die industriellen Anforderungen und Beispielanwendungen ein, an denen das Konzept umgesetzt wird. Darüber hinaus setzt Bosch die entwickelten Methoden auch im industriellen Kontext in seinen verschiedenen Geschäftsbereichen ein.

Durch Anwendung des Federated Learning wird ein maschinenübergreifender Wissenstranstransfer ermöglicht. Damit können im laufenden Betrieb die Systemeigenschaften kontinuierlich über eine ganze Flotte hinweg, und nicht nur am individuellen System, verbessert werden. Dabei wird großer Wert auf Skalierbarkeit gelegt, um die entwickelten Methoden auf einer Vielzahl an Bosch-Produkten zur Anwendung zu bringen.

Bereits heute werden Algorithmen für die Automatisierung von mobilen Arbeitsmaschinen durch maschinelles Lernen trainiert. Das Training der dafür notwendigen Modelle kann dezentral auf den Steuergeräten der einzelnen Maschinen erfolgen (lokales Lernen). Einzelne Systeme können jedoch nicht von den Erfahrungen anderer Systeme in der Flotte profitieren. Durch den Einsatz von Federated Learning wird es möglich, Modelle und damit Wissen über das Verhalten mehrerer Maschinen in der Cloud zu einem verbesserten Gesamtmodell zusammenzuführen. Konkret können einzelne Maschinen, die unter extremen Umgebungsbedingungen wie Minustemperaturen Daten gesammelt haben, das dabei „gelernte“ Wissen an andere Maschinen weitergeben. Ein anderes Beispiel ist, dass Maschinen Störungen im Betriebsverhalten bzw. defekte Komponenten erkennen, weil diese vom „Normalverhalten“ abweichen. Da nur die gelernten Modelle und nicht die aufgezeichneten Daten ausgetauscht werden, handelt es sich um eine besonders datenschutzfreundliche Methode des maschinellen Lernens in einer zunehmend vernetzten Welt.