Kollektiv-Lernen ohne Datenteilung

Anomalie-Erkennung, Abwanderungs- und Liquiditätsprognosen werden mit jedem teilnehmenden Mandanten besser — ohne dass ein einziger Datensatz einen Mandanten verlässt. Möglich macht das föderiertes Lernen: Jeder Mandant berechnet auf seinen eigenen Daten ein kleines Modell-Update, das lokal begrenzt (geclippt) und verrauscht (Differential Privacy) wird, bevor es überhaupt gespeichert wird. Der Server mittelt nur diese verrauschten Updates. So entsteht aus dem Datenschutz ein Netzwerkeffekt: Je mehr Mandanten mitmachen, desto klüger wird die Plattform für alle — nachweislich, ohne einen einzigen Datensatz zu teilen.
Wichtige Funktionen
- Freiwillige Teilnahme pro Modell mit einem Differential-Privacy-Budget (ε). Das Budget begrenzt, wie viel ein Mandant beitragen kann.
- Lokales Beitragen ohne Rohdaten: Beiträge werden geclippt und mit kalibriertem Gauß-Rauschen versehen; gespeichert wird ausschließlich der verrauschte Vektor — niemals einzelne Datensätze oder personenbezogene Daten.
- k-Anonymität: Ein gemeinsames Modell wird erst gebildet, wenn genügend verschiedene Mandanten (Standard k=3) beigetragen haben.
- Inhaber-Freigabe: Das aggregierte Modell wird erst nach ausdrücklicher Freigabe verteilt.
- Netzwerkeffekt sichtbar: Der Reiter „Netzwerk" zeigt Beitragende, freigegebene Runden und den Genauigkeitsgewinn je Modell.
- Widerruf: Abmelden löscht sofort alle beigetragenen Vektoren des Mandanten.
- Vollständiges Protokoll: Jede Aktion (Anmelden, Beitrag, Aggregation, Freigabe, Abmelden) ist nachvollziehbar aufgezeichnet.
So starten Sie
- Öffnen Sie „Kollektiv-Lernen" — der Reiter „Modelle" listet die verfügbaren Modelle.
- Melden Sie ein Modell mit einem ε-Budget an.
- Klicken Sie „Lokales Update beitragen" — der Beitrag wird geclippt, verrauscht und gespeichert.
- Sobald genügend Mandanten beigetragen haben, aggregieren Sie die Runde und geben sie frei.
- Rufen Sie das gemeinsame Modell ab und nutzen Sie es lokal für Prognosen.
FAQ
Verlassen meine Daten den Mandanten? Nein. Es werden nur begrenzte, verrauschte Aktualisierungsvektoren gespeichert — keine Datensätze, keine personenbezogenen Daten.
Was passiert bei Abmeldung? Alle Ihre beigetragenen Vektoren werden sofort gelöscht.
Warum sehe ich manchmal kein gemeinsames Modell? Solange die k-Anonymitätsschwelle nicht erreicht ist oder der Inhaber nicht freigegeben hat, wird nichts verteilt.