Bericht
Föderale Methoden ermöglichen neue Geschäftsmodelle
Wie lernt eine KI, wenn der Zugriff auf lokale Daten verwehrt wird?
Daten sind das Gold des digitalen Zeitalters. Sie werden zur Schlüsselressource eines Unternehmens und die Orientierung an bzw. die Abhängigkeit von Daten kann alle Dimensionen einer Firma und deren Geschäftsmodell betreffen. Doch was ist, wenn man keinen Zugriff auf notwendige Daten von Maschinen und Anlagen hat, da diese nicht im eigenen Unternehmen betrieben werden? Denn häufig wird Nutzern aus regulatorischen oder rechtlichen Gründen der Zugriff auf lokale Maschinen-Daten verwehrt. Dies macht es zum Beispiel für Lieferanten von Komponenten schwer, eigene Produkte und Geschäftsfelder weiterzuentwickeln und zu verbessern.
Wie man die vorhandenen Potentiale dennoch nutzen kann, zeigte Dr. Florian Gellert vom CIIT-Partner Fraunhofer IOSB-INA beim vergangenen CIIT-Techtalk. Dieser wird vom Centrum Industrial IT ein Mal im Monat mit externen oder internen Experten veranstaltet, um gemeinsam mit Interessierten über die verschiedensten Themen aus dem Bereich der Digitalisierung zu diskutieren.
Welche Möglichkeiten gibt es also, datengetriebene Geschäftsmodelle auch ohne direkten Datenzugriff zu entwickeln? Föderale Methoden nutzen, lautet die Lösung. Hierdurch werden lokale Ressourcen auf Endgeräten verwendet, um KI-Modelle zu trainieren. „Das Besondere dabei ist, dass keine Rohdaten an eine zentrale Instanz übermittelt werden müssen. Und trotzdem werden die Daten von allen Endgeräten genutzt und der notwendige Traffic wird minimiert“, erklärt Dr. Gellert. Aktuell werden die Methoden noch aktiv weiterentwickelt und auf diverse Anwendungsfälle in der Industrie übertragen. Sie geben einem Unternehmen aber ein enormes Wachstumspotential und können zu einem starken Wettbewerbsvorteil führen. „Ich gehe davon aus, dass wir in den nächsten drei Jahren die ersten Umsetzungen in realen Anwendungsfällen produzierender Unternehmen entwickelt haben werden“, blickt Gellert in die Zukunft.
Datenkreislauf trainiert die künstliche Intelligenz (KI)
Doch wie funktionieren diese Methoden? In einer Art Kreislauf wird ein Trainingssystem erstellt, welches Dr. Gellert den rund 40 Teilnehmern und Teilnehmerinnen des CIIT-Techtalks erläutert: „Im ersten Schritt werden auf den Engeräten lokale, initiale Modelle trainiert. Lediglich Modell-Parameter, zum Beispiel errechnete Modell-Gradienten, werden im Anschluss einem zentralen Server des Unternehmens verschlüsselt zur Verfügung gesetllt. Diese werden wiederum mittels eines Sicherheitsprotokolls zusammengelegt, ohne dass eines der involvierten Geräte Rückschlüsse auf Rohdaten ziehen kann. In den letzten Schritten werden die Modell-Updates dann entsprechend retouniert und lokal wieder reintegriert. So schließt sich am Ende wieder der Kreislauf.“ Wie anfangs erläutert, verbleiben so die Rohdaten im Endgerät und es werden lediglich Modelle und ihre Gradienten übermittelt. Damit entspricht die Methode dem Wunsch, die Daten zu schützen. Zudem wird das Netzwerk nicht übermäßig durch den Transfer großer Datenmengen belastet.
Spezialisten aus ganz Deutschland im CIIT-Techtalk
Das Thema stößt bei den Teilnehmern auf großes Interesse. „Ich freue mich, dass wir nach dem spannenden Vortrag 30 Minuten rege diskutiert haben. Unser digitales Format führt Experten aus ganz Deutschland zusammen. Das ist besonders wichtig bei diesem bislang eher unbekannten und zukunftsweisenden Thema. Unser Netzwerk liefert damit einen wichtigen Baustein, um datenbasierte Geschäftsmodelle in der Industrie erfolgreich voranzutreiben“, freut sich die CIIT-Geschäftsführerin Anja Moldehn.
Der Vortrag von Dr. Gellert steht zum Nachschauen auf dem Youtube Kanal des CIITs zur Verfügung. Der nächste Techtalk wird am 18. Juni von 12:30 bis 13:30 Uhr stattfinden. Dieser wird sich thematisch etwas von der Technik entfernen und eher in die Gesellschaftswissenschaft eintauchen. Professor Josef Löffl vom Insitiut für Wissenschaftsdialog der Technischen Hochschule Ostwestfalen-Lippe nimmt Sie mit auf eine Reise in die „Zukunft der Vergangenheit“.