Federated learning

Wat is federated learning?

Federated learning is een manier om een AI-model te trainen op data van veel verschillende apparaten of organisaties, zonder dat die data ooit centraal wordt verzameld. De gegevens blijven waar ze zijn, op je telefoon, in het ziekenhuis of bij de bank. Alleen de geleerde modelverbeteringen reizen naar een centrale plek.

Hoe werkt het?

Een centrale server stuurt een startmodel naar alle deelnemende apparaten of organisaties. Elk apparaat traint het model een stukje verder op zijn eigen lokale data. Vervolgens stuurt het alleen de modelaanpassingen (gewijzigde gewichten) terug, niet de data zelf. De server combineert al die updates tot een verbeterd gezamenlijk model en stuurt dat weer rond. Dit herhaalt zich tot het model goed genoeg is. Bekende toepassingen zijn de toetsenbord-suggesties op smartphones, die leren van typgedrag zonder dat je teksten het toestel verlaten, en samenwerkende ziekenhuizen die gezamenlijk een diagnosemodel trainen zonder patiëntdata uit te wisselen. Kanttekening: ook modelupdates kunnen indirect iets over de data verraden, dus in serieuze toepassingen worden extra technieken zoals versleuteling en differential privacy toegevoegd.

Wat heb je eraan als bedrijf?

Federated learning is relevant zodra je wilt samenwerken aan AI zonder gevoelige data te delen, bijvoorbeeld met ketenpartners of binnen een branchevereniging. Het verkleint AVG-risico’s omdat persoonsgegevens de bron niet verlaten. Voor de meeste MKB-bedrijven is het vooral iets dat in producten van grote leveranciers zit, maar het is goed om te weten dat “samen trainen zonder data delen” technisch bestaat.

Gerelateerde begrippen

Federated learning is een trainingsvorm binnen machine learning, vaak met deep learning-modellen en neurale netwerken. Hoe goed het gezamenlijke model wordt, meet je met evaluation metrics.