Das zentrale Training von Algorithmen scheitert oft daran, dass dabei große Mengen an Originaldaten transferiert werden. HPE Swarm Learning verspricht Abhilfe, denn bei dieser Methode werden ausschließlich Modellparameter miteinander geteilt.
Unter dem Banner HPE Swarm Learning bringt Hewlett Packard Enterprise (HPE) eine Lösung für das dezentrale Training von Systemen mit Künstlicher Intelligenz auf den Markt. Unternehmen können damit Trainingsergebnisse für Algorithmen miteinander teilen, ohne dabei Rohdaten auszutauschen.
„Schwarmlernen ist ein leistungsstarker Trainingsansatz, mit dem bereits Fortschritte bei der Bewältigung globaler Herausforderungen erzielt wurden – etwa bei der Verbesserung der Gesundheitsversorgung und beim Erkennen von Anomalien in der Betrugsaufdeckung und bei der vorausschauenden Wartung“, berichtet Justin Hotard, Executive Vice President und General Manager, HPC & AI, HPE. „HPE trägt zur Verbreitung des Schwarmlernens bei, indem es eine für größere Organisationen geeignete Lösung bereitstellt, mit der diese die Leistung ihrer Modelle gemeinsam steigern – während sie zugleich alle ethischen, datenschutzrechtlichen und regulatorischen Standards einhalten.“
Zentralisiertes Training trotz dezentraler Daten
Das Training der Algorithmen und Modelle für Künstliche Intelligenz findet üblicherweise an einem gemeinsamen Standort mit zentralisierten Datensätzen statt. Dieser Ansatz kann jedoch ineffizient und kostspielig sein, wenn große Datenmengen an einen Ort geschickt werden müssen. Oft verhindern zudem der Datenschutz oder Bedenken hinsichtlich der Datensouveränität eine Zentralisierung der Daten. Die Folge kann sein, dass für das Training zu wenige Daten zur Verfügung stehen.
HPE Swarm Learning versetzt Organisationen in die Lage, verteilte Datenquellen für das Training der Algorithmen zu nutzen, ohne die Quelldaten zu transferieren. Geteilt werden ausschließlich die Trainingsergebnisse in Form von Modellparametern. Dieses Verfahren wird über eine Blockchain organisiert. Diese steuert beispielsweise die Aufnahme von Schwarm-Mitgliedern und die wiederkehrende Wahl eines Mitglieds, das im jeweiligen Trainingszyklus die Modellparameter zusammenführt. Das gibt dem Schwarmnetzwerk Stabilität und Sicherheit. So können große Datenmengen für das Training erschlossen werden, ohne den Datenschutz oder die Datensouveränität zu beeinträchtigen.
Mehrere Einsatzgebieten hat Hewlett Packard Enterprise für HPE Swarm Learning im Auge:
- Krankenhäuser teilen Trainingsergebnisse der Scans aus Computertomographie und Magnetresonanztomographie oder aus Genexpressionsdaten mit anderen Krankenhäusern, um die Diagnose von Krankheiten zu verbessern und gleichzeitig die Patientendaten zu schützen.
- Banken und Finanzdienstleister bekämpfen Kreditkartenbetrug, indem sie betrugsrelevante Modellparameter untereinander austauschen.
- Fertigungsstandorte verbessern mit Schwarmlernen ihre vorausschauende Wartung, indem sie Trainingsergebnisse aus Sensordaten aus mehreren Produktionsstandorten sammeln.
Anzeige | Trovarit-Academy
Webinarreihe „KI konkret“ – Praxisnahe Use Cases
In vielen Unternehmen herrscht immer noch große Unsicherheit bei der Frage, ob und wie KI nutzbringend für die eigenen Prozesse eingesetzt werden kann.
Die Webinarreihe „KI konkret“ stellt in mehreren Terminen Use Cases vor, bei denen reale Herausforderungen in unterschiedlichen Unternehmensbereichen durch den Einsatz von KI gelöst werden konnten.
Nächster Termin: Künstliche Intelligenz & ECM/DMS
Medizin und Finanzbranche als Pilotanwender
Die ersten Anwender für HPE Swarm Learning kommen aus der Medizin und der Finanzbranche: So hat ein Team von Krebsforschern am Universitätsklinikum der RWTH Aachen eine Studie durchgeführt, um die Diagnose von Darmkrebs zu verbessern, indem es Künstliche Intelligenz auf die Bildverarbeitung anwendet. Damit will man genetische Veränderungen vorhersagen, die dazu führen, dass Zellen krebsartig werden. Die Forscher trainierten analytische Modelle mit HPE Swarm Learning auf Basis von Patientendaten aus Irland, Deutschland und den USA und verglichen die Vorhersageleistung mit zwei unabhängigen Datensätzen aus Großbritannien. Die Ergebnisse zeigen, dass die Algorithmen nach dem Schwarmlernen erfolgreicher arbeiten als diejenigen Systeme, die ausschließlich mit lokalen Daten trainiert wurden.
TigerGraph, ein auf Betrugserkennung spezialisierter Anbieter von Graph-Analyse-Lösungen, kombiniert HPE Swarm Learning mit seinen eigenen Analysewerkzeugen, um ungewöhnliche Vorgänge bei Kreditkartentransaktionen schneller zu erkennen. Die kombinierte Lösung erhöht die Genauigkeit beim Trainieren von Machine-Learning-Modellen aus riesigen Mengen von Finanzdaten von mehreren Banken und Filialen an verschiedenen Standorten. Jürgen Frisch
