Wat is Federated Learning? - Uitleg & Betekenis

Definitie

Federated learning is een machine learning-aanpak waarbij modellen worden getraind op data die verspreid blijft over meerdere apparaten of organisaties. Alleen model-updates (gradiënten of gewichten) worden gedeeld, niet de ruwe data zelf.

Technische uitleg

Een centrale server coördineert training: clients trainen lokaal op hun data en sturen alleen geaggregeerde updates. Federated Averaging (FedAvg) aggregeert gewichts-updates. Uitdagingen: communicatiekosten, client heterogeneity (verschillende data-distributies), en security (byzantine clients). Differential privacy kan worden toegepast op updates voor extra privacy. Federated learning wordt gebruikt in mobiele keyboards, ziekenhuizen, en financiële sector waar data niet gecentraliseerd mag worden.

Hoe AVARC Solutions dit toepast

AVARC Solutions adviseert en implementeert federated learning voor klanten met gedistribueerde, privacygevoelige data — bijvoorbeeld tussen vestigingen, partners of apparaten. We helpen bij architectuurkeuzes en compliance met AVG en sectorale regelgeving.

Praktische voorbeelden

• Een ziekenhuisgroep die gezamenlijk een diagnose-model traint zonder patiëntdata tussen locaties te delen.
• Een bank die een fraudemodel traint over meerdere landen zonder transactiedata te centraliseren.
• Een mobiele app die spellingsuggesties verbetert door federated learning op gebruikers-apparaten.

Gerelateerde begrippen