Wat is federated learning?
Federated learning is een manier om een AI-model te trainen zonder dat de ruwe data het apparaat of de locatie van herkomst verlaat. In plaats van alle gegevens centraal samen te brengen, worden modellen lokaal op smartphones, sensoren of edge-servers bijgewerkt. Alleen de geanonimiseerde updates (de gewichten en biases) gaan terug naar een centrale server om daar te worden samengevoegd tot één verbeterd model.
Hoe werkt federated learning?
Eerst verspreid je een basisversie van het model naar alle geselecteerde apparaten. Elk apparaat traint dat model met zijn eigen data en berekent welke aanpassingen nodig zijn. Vervolgens stuurt het apparaat alleen die aanpassingen (gewichtsupdates) door. De centrale server aggregeert alle updates, past het hoofdmodel aan en stuurt de nieuwe versie weer uit. Deze cyclus herhaalt zich totdat het model de gewenste nauwkeurigheid bereikt.
Belangrijkste voordelen
Federated learning beschermt privacy doordat persoonlijke of gevoelige data op het apparaat blijft. Je voldoet daarmee eenvoudig aan AVG-vereisten. Door modellen dichtbij de bron te draaien, dalen latencies en vergroot je de betrouwbaarheid van realtime beslissingen. Bovendien kun je op- en afschalen door apparaten toe te voegen zonder extra dataverkeer of complexe infrastructuurwijzigingen.
Voorbeelden van toepassingen
In de gezondheidszorg kun je medische beelden lokaal laten analyseren en zo een krachtiger centraal diagnosemodel bouwen zonder patiëntendossiers te delen. In de maakindustrie trainen sensoren gezamenlijk een voorspellend onderhoudsmodel om storingen te voorkomen. En in de retail verfijnen kassa’s of klant-Apps lokale aanbevelingsmodellen op basis van winkelgedrag, zonder de aankoopgeschiedenis centraal op te slaan.
Zo start je met federated learning
Begin met het kiezen van een concrete use case, zoals voorspelling van uitval of persoonlijke aanbevelingen. Breng in kaart welke randapparaten toegang hebben tot de benodigde data en selecteer een federated learning-framework (bijvoorbeeld TensorFlow Federated). Train een initiëel model, verspreid dit naar de apparaten en stel encryptie in voor de updates. Monitor de prestaties en breid stapsgewijs uit naar meer apparaten of datatypes.
