AFML

AFML

Accountable Federated Machine Learning für die deutsche öffentliche Verwaltung

AFML

Wissen teilen ohne Daten offenzulegen? Das Ziel des Projekts Accountable Federated Machine Learning (AFML) im Center for AI ist die Entwicklung eines Prototyps eines städteübergreifenden Ideenklassifikators im Kontext von Bürgerbeteiligung. Dies geschieht unter Einhaltung der gesetzlichen Vorschriften, besonders in Bezug auf Datenschutz, und basierend auf nachweisbarem, föderiertem maschinellem Lernen. Eine Föderierung ist wichtig, denn Städte verfügen häufig nicht über genügend Daten, um ein sinnvolles Modell zu trainieren. Dabei teilen die Städte mit AFML nur das maschinell erlernte Wissen, aber keine Daten. Die Umsetzung dieses Anwendungsfalles soll das Potenzial von AFML demonstrieren und einen Rahmen für weitere Anwendungen entwickeln.

Projektbeschreibung

Im Projekt AFML im Center for AI wird ein Prototyp entwickelt, welcher das Trainieren von Modellen zur Klassifizierung von Bürgerideen anhand von föderiertem maschinellem Lernen (FML) ermöglicht. Dabei wird trotz der Dezentralität eine Nachweisbarkeit und Verifizierbarkeit des Prozesses und der Einhaltung von Kriterien (u.a. Datenschutz, Sicherheit, Datenverzerrung) der entstehenden Ergebnisse sicherstellt. Als Grundlage dienen Daten und Modelle im Kontext von Bürgerbeteiligung, mit deren Hilfe unterschiedliche Beiträge von Bürger*innen nach Themen maschinell gruppiert wurden.

Die mit diesem Vorgehen entstandenen Modelle sollen über Stadtgrenzen hinweg genutzt und weiter trainiert werden. Dies soll jedoch ohne einen direkten Austausch von Daten zwischen den Beteiligten geschehen, indem das Modell jeweils lokal trainiert wird, und nur die entstehenden Änderungen in ein aggregiertes Modell überführt werden. Das Prinzip hierbei lautet: “Share Knowledge not Data“. Mit AFML werden einzelne Schritte und lokale Trainingsiterationen nachweisbar protokolliert, sodass die Ergebnisse verifiziert und Manipulationen oder Fehler erkannt werden können.

Forschungsbeitrag

Federated Machine Learning (FML) ist ein vielversprechendes und spannendes Forschungsfeld im Bereich des maschinellen Lernens. Es ermöglicht Modelle dezentralisiert und lokal zu trainieren, und sie gleichzeitig übergreifend für die verschiedenen Beteiligten zu nutzen. Modelle auf der Basis großer Datenmengen zu trainieren soll auch in Bereichen möglich sein, in welchen kein Datenaustausch möglich ist.

Der Forschungsschwerpunkt liegt dabei derzeit auf dem Thema Secure & Privacy Preserving (Sicherheit & Wahrung der Privatsphäre). Im Projekt AFML soll dieses Konzept um die Komponente Nachweisbarkeit erweitert werden, sodass trotz des dezentralen Charakters von FML Verantwortlichkeiten definiert, Ergebnisse verifiziert und Manipulationen oder Fehler in einzelnen Prozessschritten erkannt werden können. Diese Erweiterung der aktuellen Forschung schafft Vertrauen in dezentral trainierte ML-Modelle.

Förderung

 Mahdi Sellami

Ihr Kontakt

Mahdi Sellami

+49 89 3603522 171
sellami@fortiss.org

Projektpartner

Publikationen