Federated Learning

Was ist Federated Learning?

Federated Learning ist ein Verfahren des maschinellen Lernens, bei dem mehrere Geräte oder Organisationen gemeinsam ein KI-Modell trainieren, ohne ihre Rohdaten zentral zusammenzuführen. Statt der Daten werden lokal berechnete Modellaktualisierungen übertragen und zu einem gemeinsamen Modell zusammengeführt. Dadurch bleiben sensible Informationen grundsätzlich am jeweiligen Speicherort.

Federated Learning, auf Deutsch föderiertes Lernen, verteilt das Training eines KI-Modells auf mehrere Teilnehmer. Jeder Teilnehmer verarbeitet seine eigenen Daten lokal. Eine koordinierende Instanz sammelt anschließend die berechneten Modellparameter oder Gradienten und führt sie zu einer neuen, gemeinsamen Modellversion zusammen.

So funktioniert Federated Learning

Der Trainingsprozess beginnt mit einem Ausgangsmodell, das ein zentraler Server oder eine vergleichbare Koordinationsinstanz an ausgewählte Teilnehmer verteilt. Diese Teilnehmer können Smartphones, Unternehmensserver, Krankenhäuser, Niederlassungen oder andere voneinander getrennte Systeme sein.

Jeder Teilnehmer trainiert das Modell für eine festgelegte Zahl lokaler Durchläufe mit seinen eigenen Daten. Dabei entstehen Modellaktualisierungen, die beschreiben, wie Gewichte oder Parameter angepasst werden sollten. Die ursprünglichen Datensätze verlassen das lokale System dabei nicht.

Nach dem lokalen Training senden die Teilnehmer ihre Aktualisierungen an die Koordinationsinstanz. Diese fasst die Ergebnisse beispielsweise anhand der jeweiligen Datenmenge zusammen. Ein häufig eingesetztes Verfahren dafür ist Federated Averaging, kurz FedAvg. Das aktualisierte Modell wird erneut verteilt, bis es die vorgegebenen Qualitätskriterien erreicht.

Ein Ausgangsmodell wird an ausgewählte Teilnehmer übertragen.
Die Teilnehmer trainieren das Modell mit lokalen Daten.
Nur die berechneten Modellaktualisierungen werden übermittelt.
Eine Koordinationsinstanz aggregiert die Aktualisierungen.
Das verbesserte Modell startet eine weitere Trainingsrunde.

Ein vereinfachtes Beispiel: Drei Niederlassungen trainieren ein Modell zur Prognose von Kundenanfragen mit ihren jeweiligen CRM-Daten. Statt Kundendatensätze auszutauschen, übermitteln sie ausschließlich lokale Modellaktualisierungen. Das zusammengeführte Modell kann dadurch aus den Mustern aller Standorte lernen, während die Rohdaten in den jeweiligen Systemen verbleiben.

Varianten des verteilten KI-Trainings

Federated Learning lässt sich nach der Art der Teilnehmer und nach der Verteilung der Merkmale unterscheiden. Welche Variante geeignet ist, hängt davon ab, ob viele Endgeräte, wenige Organisationen oder unterschiedliche Datenausschnitte zusammenarbeiten.

Cross-Device Federated Learning

Beim Cross-Device Federated Learning beteiligen sich viele Endgeräte wie Smartphones, Sensoren oder vernetzte Maschinen am Training. Die Geräte sind häufig nur zeitweise erreichbar und besitzen unterschiedlich große Datenmengen. Das System muss deshalb mit wechselnden Teilnehmern, begrenzter Rechenleistung und instabilen Verbindungen umgehen können.

Cross-Silo Federated Learning

Beim Cross-Silo Federated Learning trainiert eine überschaubare Zahl dauerhaft erreichbarer Organisationen oder Rechenzentren ein gemeinsames Modell. Typische Teilnehmer sind Unternehmen, Banken, Forschungseinrichtungen oder Niederlassungen eines Konzerns. Diese Variante erlaubt besser planbare Trainingsrunden, erfordert jedoch klare Regeln für Governance, Verantwortlichkeiten und Modellzugriffe.

Horizontale und vertikale Verfahren

Variante	Datenstruktur	Beispiel
Horizontales Federated Learning	Die Teilnehmer besitzen ähnliche Merkmale, aber unterschiedliche Datensätze.	Mehrere Shops verwenden dieselben Produkt- und Transaktionsmerkmale für jeweils eigene Kunden.
Vertikales Federated Learning	Die Teilnehmer besitzen unterschiedliche Merkmale zu teilweise denselben Personen oder Objekten.	Ein Händler und ein Logistikdienstleister verarbeiten verschiedene Informationen zu gemeinsamen Bestellungen.
Federated Transfer Learning	Sowohl Merkmale als auch Datensätze überschneiden sich nur begrenzt.	Unternehmen übertragen gelernte Muster auf einen verwandten Anwendungsfall mit kleiner Datenbasis.

Vorteile von Federated Learning

Der zentrale Vorteil von Federated Learning liegt in der lokalen Verarbeitung von Rohdaten. Organisationen können gemeinsame Muster nutzen, ohne sämtliche Datensätze in ein zentrales System zu kopieren. Das reduziert Datenbewegungen und kann die Zusammenarbeit über technische oder organisatorische Grenzen hinweg erleichtern.

Datenminimierung: Rohdaten bleiben grundsätzlich beim jeweiligen Teilnehmer.
Gemeinsame Lernbasis: Ein Modell kann Muster aus mehreren verteilten Datenbeständen berücksichtigen.
Lokale Kontrolle: Jeder Teilnehmer verwaltet weiterhin seine eigenen Datenquellen und Zugriffsrechte.
Aktuelle Signale: Endgeräte und lokale Systeme können neue Beobachtungen direkt in spätere Trainingsrunden einbringen.
Geringere Zentralisierung: Große Rohdatenbestände müssen nicht zwingend an einem einzigen Ort gespeichert werden.

Federated Learning kann außerdem helfen, Modelle auf vielfältigere Situationen auszurichten. Ein Modell, das ausschließlich mit Daten eines Standorts trainiert wird, erkennt möglicherweise nur lokale Muster. Aktualisierungen aus mehreren Regionen, Gerätetypen oder Geschäftsbereichen können die Abdeckung erweitern, sofern die Datenqualität und das Aggregationsverfahren stimmen.

Risiken und technische Grenzen

Federated Learning garantiert keinen automatischen Datenschutz. Modellaktualisierungen können unter bestimmten Bedingungen Rückschlüsse auf Trainingsdaten ermöglichen. Zusätzliche Verfahren wie sichere Aggregation, Zugriffskontrollen und Differential Privacy können das Risiko reduzieren, müssen jedoch passend zum Anwendungsfall konfiguriert werden.

Ein weiteres Problem sind stark unterschiedliche lokale Datensätze. Wenn einzelne Teilnehmer andere Zielgruppen, Messmethoden oder Datenqualitäten besitzen, entsteht eine nicht identisch verteilte Datenbasis. Das gemeinsame Modell kann dadurch langsamer lernen oder bestimmte Teilnehmer schlechter abbilden.

Federated Learning darf nicht mit einer vollständigen Anonymisierung gleichgesetzt werden. Lokal gespeicherte Rohdaten sind ein Schutzbaustein, aber Modellparameter, Protokolle und Metadaten benötigen ebenfalls technische und organisatorische Absicherung. Vor einem produktiven Einsatz sind deshalb eine Datenschutzprüfung, ein Bedrohungsmodell und klare Verantwortlichkeiten erforderlich.

Auch Manipulationen müssen berücksichtigt werden. Ein Teilnehmer könnte fehlerhafte oder gezielt veränderte Aktualisierungen einspeisen und dadurch das gemeinsame Modell beeinflussen. Robuste Aggregationsverfahren, Plausibilitätsprüfungen und eine begrenzte Gewichtung einzelner Teilnehmer helfen, solche Angriffe zu erkennen oder ihre Auswirkungen zu reduzieren.

Abgrenzung zu verwandten Verfahren

Der Unterschied zwischen Federated Learning und zentralem Machine Learning liegt im Speicherort der Trainingsdaten. Beim zentralen Training werden die Daten in einem gemeinsamen System gesammelt. Beim föderierten Training verbleiben sie bei den Teilnehmern, während Modellaktualisierungen ausgetauscht werden.

Der Unterschied zwischen Federated Learning und Distributed Learning liegt im Schutzziel. Distributed Learning verteilt Rechenaufgaben meist innerhalb einer kontrollierten Infrastruktur, um das Training zu beschleunigen. Federated Learning verbindet dagegen getrennte Teilnehmer, deren Rohdaten aus technischen, organisatorischen oder rechtlichen Gründen lokal bleiben sollen.

Der Unterschied zwischen Federated Learning und Edge Computing liegt in der Aufgabe. Edge Computing führt beliebige Berechnungen in der Nähe der Datenquelle aus. Föderiertes Lernen ist ein spezielles Trainingsverfahren, bei dem lokale Lernschritte zu einem gemeinsamen Modell zusammengeführt werden.

Differential Privacy ist ebenfalls kein Synonym für Federated Learning. Differential Privacy verändert Ergebnisse oder Modellaktualisierungen durch kontrolliertes statistisches Rauschen, damit einzelne Datensätze schwerer erkennbar sind. Beide Ansätze lassen sich kombinieren, erfüllen aber unterschiedliche Funktionen.

Einsatzfelder im Marketing 2026

Im Online-Marketing kann Federated Learning relevant werden, wenn mehrere Systeme aus gemeinsamen Mustern lernen sollen, ihre Rohdaten aber getrennt verwalten. Denkbare Anwendungen sind Prognosen zur Kundenabwanderung, Betrugserkennung, Produktempfehlungen und die Modellierung von Nachfrage über mehrere Standorte oder Märkte hinweg.

Für SEA kann das Verfahren bei der Entwicklung von Gebots-, Conversion- oder Zielgruppenmodellen relevant sein. Plattformen oder Unternehmensgruppen könnten lokale Signale in ein gemeinsames Modell einfließen lassen, ohne alle Nutzerdaten zentral zu übertragen. Ob ein bestimmtes Werbesystem tatsächlich Federated Learning verwendet, lässt sich jedoch nur anhand seiner technischen Dokumentation beurteilen.

Für SEO und GEO, also Generative Engine Optimization, besteht der Bezug vor allem über KI-Systeme und Datenarchitekturen. Federated Learning verändert keine Rankings direkt. Der Ansatz zeigt jedoch, wie Modelle aus verteilten Signalen lernen können. Für operative Strategien bleiben belastbare eigene Daten erforderlich, etwa Rankings, Crawling-Befunde, Conversions und gemessene Empfehlungen in KI-Antworten.

Bei der praktischen KI-Nutzung im Search Marketing ist eine strukturierte Datenbasis meist relevanter als ein eigenes föderiertes Trainingssystem. Die Strategien für KI im SEO erklären, wie Unternehmen Daten, Automatisierung und fachliche Prüfung verbinden können. Die Messung von Erwähnungen in KI-Antworten zeigt zusätzlich, wie sich GEO anhand konkreter Beobachtungen bewerten lässt.

Federated Learning richtig bewerten

Vor einer Einführung solltest du prüfen, ob tatsächlich mehrere getrennte Datenbestände gemeinsam für ein Modell genutzt werden müssen. Wenn alle Daten bereits in einer kontrollierten Infrastruktur vorliegen, kann ein zentrales Training technisch einfacher, schneller und leichter zu überwachen sein.

Welche Teilnehmer liefern Daten oder Modellaktualisierungen?
Welche Daten dürfen den jeweiligen Speicherort verlassen?
Wie werden fehlerhafte oder manipulierte Updates erkannt?
Wer kontrolliert das globale Modell und seine Versionen?
Wie werden Modellqualität, Verzerrungen und lokale Abweichungen gemessen?
Welche zusätzlichen Schutzmaßnahmen sind erforderlich?

Unternehmen sollten außerdem zwischen Modelltraining und der Nutzung fertiger KI-Modelle unterscheiden. Wer ChatGPT, Claude, Perplexity oder Gemini mit Unternehmensdaten unterstützt, baut dadurch noch kein Federated-Learning-System. Kuratierte Exporte oder ein KI Datenlayer für SEO, SEA und GEO liefern der KI einen kontrollierten Kontext, ohne das zugrunde liegende Modell neu zu trainieren.

Wenn du deine eigenen SEO-, SEA- und GEO-Daten strukturiert für KI-Auswertungen nutzen möchtest, kannst du dir einen Überblick über die Technologien und Analysewerkzeuge der OSG verschaffen.

Free Account anlegen

Häufige Fragen zu Federated Learning

Ist Federated Learning wirklich sicher?

Federated Learning reduziert die zentrale Übertragung von Rohdaten, bietet allein aber keinen vollständigen Schutz. Modellaktualisierungen und Metadaten können Informationen preisgeben. Sichere Aggregation, Zugriffskontrollen und Differential Privacy ergänzen das Verfahren.

Wer hat Federated Learning erfunden?

Der Begriff wurde vor allem durch Forschungsarbeiten von Google ab 2016 bekannt. Die Grundidee baut auf früheren Verfahren des verteilten maschinellen Lernens auf, bei denen mehrere Systeme gemeinsam Modelle trainieren.

Braucht Federated Learning einen zentralen Server?

Viele Umsetzungen verwenden einen zentralen Server zur Verteilung und Aggregation des Modells. Es gibt auch dezentrale Architekturen, in denen Teilnehmer Aktualisierungen ohne dauerhaft zentrale Koordinationsinstanz austauschen.

Welche Daten werden beim föderierten Lernen übertragen?

Üblicherweise werden Modellparameter, Gradienten oder daraus abgeleitete Aktualisierungen übertragen. Welche Informationen genau ausgetauscht werden, hängt vom Algorithmus und von den eingesetzten Schutzverfahren ab.

Kann Federated Learning ohne Internet funktionieren?

Die lokalen Trainingsschritte können zeitweise ohne Verbindung stattfinden. Für die Übertragung und Zusammenführung der Aktualisierungen benötigen die Teilnehmer jedoch eine Netzwerkverbindung oder einen anderen sicheren Austauschweg.

Wann lohnt sich Federated Learning für Unternehmen?

Federated Learning eignet sich vor allem für getrennte, sensible oder schwer übertragbare Datenbestände, aus denen ein gemeinsames Modell lernen soll. Der Nutzen muss den zusätzlichen Aufwand für Infrastruktur, Überwachung, Sicherheit und Modellsteuerung rechtfertigen.

Sie haben noch Fragen?

Kontaktieren Sie uns