Glossareintrag

Was bedeutet
Federated Learning bei KI/AI (föderiertes Lernen)?

Wir denken. KI tippt mit.

Lesezeit: 9 Minuten
Veröffentlicht: 18.10.2026
Aktualisiert: 03.11.2026

Federated Learning bei KI/AI (föderiertes Lernen)

Definition:

Federated Learning (deutsch föderiertes Lernen oder föderales Lernen, auch Federated Machine Learning, kurz FL) ist ein Verfahren des maschinellen Lernens. Viele Geräte oder Organisationen trainieren gemeinsam ein KI-Modell, ohne ihre Trainingsdaten herauszugeben. Jeder Teilnehmer trainiert das Modell auf den eigenen Daten vor Ort. An den zentralen Server geht nur das Ergebnis dieses Trainings (eine Änderung an den Parametern des Modells). Der Server rechnet die Änderungen aller Teilnehmer zu einem neuen gemeinsamen Modell zusammen und verteilt es wieder. Die Rohdaten (getippte Texte, Patientenakten, Maschinendaten) bleiben, wo sie entstanden sind.

Den Begriff hat ein Google-Team um Brendan McMahan 2016 im Paper „Communication-Efficient Learning of Deep Networks from Decentralized Data“ gesetzt. Im Abstract steht der Satz „We term this decentralized approach Federated Learning.“ Die heute übliche Definition stammt aus der Übersichtsarbeit „Advances and Open Problems in Federated Learning“ (Kairouz u. a., 2021). Danach ist Federated Learning eine Lernumgebung, in der viele Clients (z. B. Smartphones oder ganze Organisationen) unter Koordination eines zentralen Servers gemeinsam ein Modell trainieren, während die Trainingsdaten dezentral bleiben. Das Bundesamt für Sicherheit in der Informationstechnik (BSI), die deutsche Wikipedia und das Büro für Technikfolgen-Abschätzung beim Bundestag schreiben „föderales Lernen“, Google und IBM „föderiertes Lernen“. Gemeint ist dasselbe. „Verteiltes Lernen“ wird teils gleichbedeutend verwendet, meint im engeren Sinn aber auch das Training in einem Rechenzentrum, bei dem alle Daten zentral vorliegen und nur die Rechenarbeit auf viele Chips verteilt ist.

Beschreibung:

Laut der Übersichtsarbeit von Kairouz u. a. wählt der Server zu Beginn jeder Trainingsrunde Teilnehmer aus, die sich im Moment eignen. Ein Smartphone eignet sich, wenn es am Ladekabel hängt, im WLAN ist und niemand damit arbeitet. Die ausgewählten Geräte laden das aktuelle Modell herunter. Jedes Gerät trainiert das Modell ein paar Schritte auf den lokalen Daten und berechnet daraus ein Update. Der Server sammelt die Updates und bildet den Durchschnitt. Mit diesem Durchschnitt aktualisiert er das gemeinsame Modell, und die nächste Runde beginnt. Der Algorithmus dafür heißt Federated Averaging (FedAvg). Er kommt laut dem McMahan-Paper mit 10- bis 100-mal weniger Kommunikationsrunden aus als ein Training, das nach jedem einzelnen Schritt abgleicht. Denn jedes Gerät macht mehrere Trainingsschritte, bevor es sich meldet.

Cross-Device heißt die Spielart mit Millionen von Smartphones oder IoT-Geräten, die unzuverlässig sind und ständig aus dem Training fallen. Die Übersichtsarbeit rechnet mit 5 Prozent oder mehr Ausfällen pro Runde, sobald Akku, Netz oder Leerlauf nicht mehr passen. Cross-Silo meint typischerweise 2 bis 100 Organisationen (Kliniken, Banken, Fabriken), die mit stabilen Servern teilnehmen. Außerdem zählt, wie die Daten aufgeteilt sind. Beim horizontalen Federated Learning haben alle Teilnehmer dieselben Merkmale von verschiedenen Personen oder Maschinen (zehn Kliniken, jeweils eigene Patienten, gleiche Laborwerte). Beim vertikalen Federated Learning kennen die Teilnehmer verschiedene Merkmale derselben Personen (eine Bank und ein Händler mit denselben Kunden).

Das Modell-Update allein schützt die Daten nicht. Zhu, Liu und Han haben 2019 in „Deep Leakage from Gradients“ gezeigt, dass sich aus geteilten Gradienten die Trainingsbilder pixelgenau und Trainingstexte Token für Token rekonstruieren lassen. Der Angriff heißt Gradient Inversion. 2024 holte das Verfahren DAGER bei LLaMa-2 ganze Stapel von 128 Sätzen praktisch fehlerfrei heraus. In der Praxis kombinieren die Betreiber Federated Learning mit weiteren Schutztechniken. Secure Aggregation (Bonawitz u. a., 2016) verschlüsselt die Updates so, dass der Server nur die Summe über viele Geräte entschlüsseln kann, nie ein einzelnes Update. Laut Googles Ankündigung von 2017 geht das erst, wenn hunderte oder tausende Nutzer teilgenommen haben. Differential Privacy begrenzt den Einfluss jedes Geräts und verrauscht die Summe, damit sich kein einzelner Nutzer aus dem fertigen Modell herauslesen lässt. Google hat laut einem Paper von 2023 über zwanzig Gboard-Sprachmodelle föderiert mit Differential Privacy trainiert, zwei davon zusätzlich mit Secure Aggregation. Das zweite Risiko geht von den Teilnehmern selbst aus. Wer manipulierte Updates einspeist, kann dem gemeinsamen Modell eine Hintertür einbauen. Bagdasaryan u. a. haben 2018 in „How To Backdoor Federated Learning“ vorgeführt, dass ein einziger Teilnehmer in einer einzigen Runde das globale Modell auf 100 Prozent Trefferquote für seine Hintertür bringt. Das BSI warnt in seinem Papier zu generativen KI-Modellen aus demselben Grund vor Vergiftung über den Trainingsprozess. Das dritte Problem ist statistisch. Die Daten der Teilnehmer sind ungleich verteilt (Non-IID, kurz für „not independent and identically distributed“). Ein Nutzer tippt nur Englisch, der nächste nur Japanisch, eine Fabrik liefert nur Daten aus der Nachtschicht. Der Durchschnitt solcher Updates kann das Modell in die falsche Richtung lenken.

Am 2. Oktober 2026 hat Google Research in „Toward provably private learning from federated data“ einen Umbau des eigenen Systems vorgestellt. Die Geräte verschlüsseln ihre Trainingsbeispiele lokal und laden sie hoch. Das Training läuft dann auf Google-Servern in Trusted Execution Environments (TEEs). Das sind vom Prozessor abgeschottete Rechenumgebungen, bei denen Außenstehende per Fernnachweis prüfen können, welcher Code darin läuft. Jedes Gerät gibt vorher eine Zugriffsregel frei, die festlegt, welche Berechnungen die Daten verarbeiten dürfen. Diese Regeln stehen im öffentlichen Transparenz-Log Rekor. Gboard trainiert so bereits die englische und die japanische Wortvorhersage. Vorher konnte das Training eines solchen Modells laut Google ein bis zwei Monate dauern. Der Grundsatz „Die Daten verlassen das Gerät nicht“ gilt in dieser Variante nicht mehr wörtlich. An seine Stelle tritt eine Verarbeitung mit Datenschutz-Garantien, die sich von außen nachprüfen lassen. Google selbst nennt als Grenze die Einschränkungen der aktuellen TEE-Hardware und offene Fragen bei Seitenkanälen.

Flower von Flower Labs aus Hamburg ist ein Open-Source-Framework für Federated Learning. Das Unternehmen hat im Februar 2024 eine Finanzierungsrunde über 20 Millionen US-Dollar abgeschlossen. Das ursprünglich von Intel entwickelte OpenFL wird eingestellt und empfiehlt seinen Nutzern den Umstieg auf Flower. NVIDIA FLARE ist das Open-Source-Gegenstück von NVIDIA. Googles TensorFlow Federated hat seit Herbst 2024 keine neue Version auf PyPI bekommen. Mit Photon hat Flower Labs im Mai 2025 ein System gezeigt, das ein Sprachmodell mit 13 Milliarden Parametern föderiert von Grund auf trainiert (Pre-Training). Daneben gibt es föderiertes Fine-Tuning mit LoRA-Aufsätzen, bei dem nur die kleinen Aufsatz-Gewichte ausgetauscht werden. Als Norm gibt es IEEE 3652.1-2020 (ein Leitfaden für Architektur und Anwendung von Federated Machine Learning).

Die Datenschutzbehörden stufen Federated Learning als datenschutzfreundliche Technik ein, aber nicht als Nachweis für Anonymität. Der Europäische Datenschutzbeauftragte und die spanische Aufsicht AEPD schreiben in ihrem TechDispatch zu Federated Learning vom Juni 2025, das Verfahren könne bei richtiger Anwendung als Privacy-Enhancing Technology gelten. Ob die ausgetauschten Gradienten und Gewichte personenbezogene Daten sind, müsse der Verantwortliche im Einzelfall prüfen. Ausgetauschte Daten und fertige Modelle dürften nicht pauschal als anonym behandelt werden. Die deutsche Datenschutzkonferenz nennt Federated Learning in ihrer Orientierungshilfe zu KI-Systemen vom Juni 2025 als Beispiel für eine technische Maßnahme zur Datenminimierung. Das Büro für Technikfolgen-Abschätzung beim Bundestag verwies schon 2022 in seinem Themenkurzprofil „Föderales maschinelles Lernen“ auf Studien, wonach der Datenschutz durch Federated Learning „nicht ohne Weiteres zu garantieren“ sei. Die KI-Verordnung der EU erwähnt den Begriff nirgends. Erwägungsgrund 69 beschreibt aber das Prinzip, Algorithmen zu den Daten zu bringen, statt Rohdaten zwischen Parteien zu übertragen. (Hinweis: Verwechselbar mit Edge-KI. Edge-KI sagt, wo ein fertiges Modell rechnet. Federated Learning sagt, wie ein Modell trainiert wird. Ein Modell kann auf dem Gerät laufen, ohne je föderiert gelernt zu haben.)

Federated Learning bei KI/AI (föderiertes Lernen) für Unternehmen und Handwerker:

Federated Learning läuft heute schon auf dem Diensthandy, ohne dass ein Betrieb etwas dafür tut. Die Android-Tastatur Gboard lernt neue Wörter und Formulierungen aus dem, was Nutzer tippen und diktieren. Laut der deutschen Gboard-Hilfe schickt das Handy nicht den getippten oder gesprochenen Text an Google, nur das Gelernte. Das passiert nur, während das Smartphone lädt, im WLAN hängt und nicht benutzt wird. Die Funktion ist standardmäßig an. Wer Kundennamen, Adressen und Angebotstexte lieber komplett bei sich behält, findet die Schalter unter Einstellungen, System, Sprache und Eingabe, Bildschirmtastatur, Gboard, Datenschutz. Google setzt dieselbe Technik nach eigenen Angaben auch für die Antwortvorschläge in Google Messages und die Textauswahl von Android ein. Apple hat auf der Entwicklerkonferenz WWDC 2020 erklärt, seit iOS 13 „Private Federated Learning“ einzusetzen, damals für die QuickType-Tastatur und die Siri-Spracherkennung und nur bei Nutzern, die der Analyse zugestimmt haben.

Ein Handwerksbetrieb wird Federated Learning kaum selbst aufsetzen. Er trifft es eher beim Softwarehersteller, der verspricht, seine KI lerne aus den Daten aller Kunden, ohne diese Daten je zu sehen. Dahinter kann föderiertes Lernen stehen. Dann lohnen sich Nachfragen beim Hersteller. Was verlässt das System, Modell-Updates oder verschlüsselte Rohdaten wie im neuen Google-Verfahren? Welche Schutztechnik kommt dazu, also Secure Aggregation, Differential Privacy, eine Anonymisierung vor dem Training oder gar keine? Und wer ist datenschutzrechtlich verantwortlich, wenn die Updates doch Personenbezug haben? Die Antworten gehören in den Auftragsverarbeitungsvertrag, nicht in den Prospekt.

Im Verbund mit anderen Unternehmen kann ein Betrieb das Verfahren auch selbst nutzen. Das Projekt FLUSH zeigt, wie das für Mittelständler aussieht. Der Druckschalter- und Antriebstechnik-Hersteller SUCO Robert Scheuffele, das SKZ Kunststoff-Zentrum und das Hamburger Unternehmen Katulu haben von Oktober 2023 bis September 2025 ein Modell trainiert, das beim Ultraschallschweißen die Festigkeit der Schweißnaht vorhersagt. Das Bundesforschungsministerium hat das Projekt im Programm AI4SME gefördert. Laut der Projektmeldung des SKZ vom August 2026 erreicht ein lokal trainiertes Modell mehr als 90 Prozent Genauigkeit. Das föderierte Modell liegt rund 5 Prozent darunter. Dafür hat kein Partner Produktionsdaten herausgegeben. Bei Siemens trainieren laut einem Whitepaper von Katulu die Werke Amberg und Erlangen gemeinsam ein Modell, das anhand von Prozessdaten die Fehlalarme der optischen Leiterplatten-Prüfung senkt. Der F1-Wert (eine Kennzahl, die Fehlalarme und übersehene Fehler gemeinsam bewertet) stieg im Betrieb von 84 auf 98 Prozent. In der Pharmabranche haben zehn Hersteller, darunter Bayer, Boehringer Ingelheim und Merck KGaA, im Projekt MELLODDY drei Jahre lang Wirkstoffmodelle auf gut 2,6 Milliarden vertraulichen Messpunkten trainiert. Alle zehn Partner verzeichneten laut Abschlusspaper im Mittel bessere Modelle als mit ihren eigenen Daten allein.

Im Handwerk wäre das z. B. ein Verbund von Heizungsbauern, die aus ihren Störungsdaten von Wärmepumpen gemeinsam ein Diagnosemodell trainieren, ohne dass ein Betrieb seine Kundenanlagen offenlegt. Oder eine Innung, deren Mitglieder ein Modell für die Kalkulation von Dachsanierungen teilen. Solche Projekte benötigen einen Partner, der die Plattform betreibt, z. B. Katulu, Apheris aus Berlin oder einen Integrator mit Flower oder NVIDIA FLARE. Außerdem müssen die Daten bei allen Teilnehmern in vergleichbarer Form vorliegen, sonst verzerrt das Non-IID-Problem das Modell. Eine Interviewpartnerin aus dem Katulu-Umfeld sagt im Themenkurzprofil des Bundestags-Büros für Technikfolgen-Abschätzung, Federated Learning versetze Unternehmen in die Lage, „miteinander zu lernen, ohne etwas übereinander zu lernen“.

Wichtig: Federated Learning ersetzt weder die Datenresidenz-Frage noch die Anonymisierung. Der Server mit dem gemeinsamen Modell steht irgendwo. Und das fertige KI-Modell kann laut Datenschutzkonferenz selbst einen Personenbezug haben. Wer einen Verbund plant, klärt vorher, wo der Server läuft und was passiert, wenn ein Partner das Modell mitnimmt.

Automation Intelligence im Handwerk - Glossareintrag
Lexikon für künstliche Intelligenz und Automation - Glossar für Handwerker und Handwerksbetriebe
Handwerk transformieren durch Artificial Intelligence und Automation Intelligence

Webinar Release

Webinar Release

Sie haben eine Frage?

Sie haben eine Frage