Wenn mehrere kooperierende Unternehmen Daten in eine KI einspeisen, erhält das Lernmodell besonders viele unterschiedliche Daten und ist dadurch in der Lage, entsprechend hochwertigere und zuverlässigere Ergebnisse zu liefern. Um ihre Datenhoheit zu bewahren, setzen Unternehmen auf föderierte, dezentrale Trainingsansätze. Die Daten werden dafür nicht an einen zentralen Server gesendet, sondern lokal in eine Kopie des KI-Modells eingespeist. Statt der Daten werden dann nur abstrakte Parameter zwischen den Partnern ausgetauscht. So kann jeder Partner Daten zur Verfügung stellen, ohne diese den anderen Unternehmen preisgeben zu müssen.
Wenn ein Unternehmen das Gemeinschaftsprojekt jedoch verlässt, bleiben dessen Daten und Parameter Teil des KI-Modells. Bisher war es kaum möglich, diese Daten zu extrahieren, ohne dass die Qualität der Ergebnisse, etwa in Vorhersagen oder Simulationen, leidet.
Retraining des Modells
Forschende des Fraunhofer-Instituts für Software- und Systemtechnik ISST in Dortmund haben hier gemeinsam mit dem Industriepartner Fujitsu Research einen Ansatz entwickelt: das Unlearning für dezentrale, föderierte KI-Kollaborationen. Bei diesem Verfahren gehen die Forschenden in der Historie des schrittweisen KI-Lernprozesses bis zu dem Punkt zurück, an dem der betreffende Partner seine Daten eingespeist hat. An dieser Stelle wird das Training der KI wieder aufgenommen – nur eben ohne die Daten des ausgestiegenen Partners. Durch diese Methode werden also alle Infos und Daten des Unternehmens, das die Kooperation verlässt, aus der KI entfernt. Die Projektbeteiligten weisen zudem darauf hin, dass das Retraining des Modells mit Hilfe der hinterlegten Parameter effizienter verläuft als im ersten Durchgang. Florian Zimmer, Wissenschaftler am Fraunhofer ISST, sagt: „Der Wiederaufbau des Lernmodells mit den Daten der verbliebenen Partner startet nicht bei null. Damit werden die Leistungsfähigkeit und Integrität der KI mit relativ wenig Aufwand wiederhergestellt. Je nach Anwendung ist durch den Wegfall eines Teils der Daten ein gewisser Qualitätsverlust bei den Ergebnissen unvermeidlich, das wird aber in der Folgezeit durch weitere Lernschritte der KI ausgeglichen.“
Learning und Unlearning in der Praxis
Als mögliches Anwendungsszenario Beschreiben die Projektbeteiligten den Einsatz von KI mit föderiertem Learning und Unlearning beim Einsatz von Maschinen in der produzierenden Industrie. Nutzen beispielsweise mehrere Unternehmen das gleiche Modell einer Fräsmaschine auf unterschiedliche Weise, so fließen auch unterschiedliche Daten in das KI-Training ein. Ein Partner steuert beispielsweise Daten bei, wenn der Motor der Maschine versagt, ein anderer, wenn der Fräskopf bricht. Dementsprechend kann die KI im Praxisbetrieb vorab simulieren, wann der Motor zu überhitzen droht oder wann ein Fräskopf seine Belastungsgrenze erreicht. Davon profitieren zunächst alle beteiligten Unternehmen. Janosch Haber vom Projektpartner Fujitsu Research sagt: „In solch einem Fall würde mit bisherigen Trainingsansätzen der Weggang eines Partners bedeuten, dass das entwickelte Modell vollständig neu trainiert werden muss. Vor dem Wiederaufbau würde also zunächst die Qualität der KI-Simulation stark beeinträchtigt sein – unabhängig davon, wie wichtig die Daten des Partners waren. Mit Unlearning wird dieser Qualitätsverlust größtenteils aufgefangen“, so Haber. Der Weggang eines Partners mache sich in der Regel kaum negativ bemerkbar.
Ein Schub für die KI-Nutzung?
Die Methode des föderierten Unlearning für dezentralisierte KI-Modelle könnte den Beteiligten zufolge dazu führen, dass Unternehmen schneller in Gemeinschaftsprojekte einsteigen. „Damit könnte der Einsatz von KI in Unternehmensnetzwerken und Partnerschaften einen spürbaren Schub bekommen. Das wird auch insgesamt der Industrie und der technologischen Souveränität in Deutschland und Europa zugutekommen“, ist Zimmer überzeugt. Einen Demonstrator des föderierten Unlearning stellen Expertinnen und Experten des Fraunhofer ISST und von Fujitsu Research auf der Hannover Messe vor (20. bis 24. April 2026, Halle 11, Stand D33).
