Federated Learning
Start der Forschungskooperation „Federated Learning – Enabling Swarm Intelligence“ von Bosch und AIT
Bosch Research und das Austrian Institute of Technology (AIT), Österreichs größte außeruniversitäre Forschungseinrichtung, verstärken in den nächsten drei Jahren ihre Forschungskooperation auf dem Gebiet „Federated Learning“ (deutsch: föderales Lernen). Die Kooperation mit dem AIT Center for Vision, Automation & Control baut auf einer langjährigen, sehr erfolgreichen Zusammenarbeit zwischen Bosch Research und dem AIT bei regelungstechnischen Fragestellungen auf. Der Fokus liegt dabei auf adaptiven und lokal lernenden Algorithmen. Mit Federated Learning gehen wir nun gemeinsam den nächsten Schritt hin zu vernetzten, gemeinsam lernenden Maschinen und Komponenten.
Was ist Federated Learning?
Schon heute werden Algorithmen des maschinellen Lernens eingesetzt, die Aufgaben reichen von der präzisen Regelung einer Brennstoffzelle bis hin zur Automatisierung mobiler Arbeitsmaschinen. Zum Beispiel müssen bei einem Bagger im Betrieb drei hydraulische Zylinder gleichzeitig über Joysticks angesteuert werden. Diese Bewegungen sind voneinander abhängig, von Maschine zu Maschine jedoch sehr unterschiedlich. Ein Baggerführer lernt dieses Verhalten mit der Zeit und kann dann den Bagger präzise ansteuern. Gemeinsam mit Bosch Rexroth entwickelt Bosch Research Assistenzfunktionen für weniger erfahrene Baggerfahrer, etwa für präzises Planieren. Diese basieren auf maschinellem Lernen. Die Grundlagen dazu sind auch im Blogbeitrag von Bosch Research zum Thema „Learning Control for Advanced Excavator Assistance Functions“ dargestellt.
Das Training der erforderlichen Modelle kann dezentral auf den Steuergeräten der einzelnen Maschinen erfolgen (lokales Lernen). Bestimmte Systeme können jedoch nicht von den Erfahrungen anderer Systeme der Flotte profitieren. Doch mit Federated Learning wird es möglich, Modelle, also Wissen über das Verhalten mehrerer Maschinen, in der Cloud zu einem verbesserten Gesamtmodell zu vereinen. Konkret können individuelle Maschinen, die zum Beispiel schon unter extremen Bedingungen wie Minustemperaturen eingesetzt wurden, das dabei gelernte Wissen an andere Maschinen weitergeben. Oder defekte Maschinen werden aufgrund von Abweichungen vom „Normalverhalten“ anderer Maschinen erkannt. Da nur die gelernten Modelle und nicht die aufgezeichneten Daten ausgetauscht werden, handelt es sich um eine ausdrücklich datenschutzfreundliche Methode des maschinellen Lernens in einer zunehmend vernetzten Welt.
Es ist das Ziel dieser Forschungskooperation, das in anderen IT-Bereichen entwickelte Konzept Federated Learning auf komplexe nichtlineare, dynamische Systeme zu übertragen, bei ausgewählten Anwendungen umzusetzen und den Mehrwert von Federated Learning für Bosch zu erschließen.
Der Schwerpunkt des AIT-Beitrags besteht darin, wissenschaftliche Lücken zu identifizieren und durch neue Methoden bzw. Algorithmen zu schließen. Bosch Research steuert die industriellen Anforderungen und Beispielanwendungen bei, an denen das Konzept umgesetzt wird, und setzt die entwickelten Methoden dann industriell in den Bosch-Geschäftsbereichen ein.
Produkte kontinuierlich „im Schwarm“ verbessern
Federated Learning ermöglicht den maschinenübergreifenden Wissenstransfer. Damit können im laufenden Betrieb die Systemeigenschaften kontinuierlich verbessert werden, und zwar über eine ganze Flotte von Maschinen hinweg, nicht nur wie bisher am individuellen System.
Besonderes Augenmerk gilt dabei der Skalierbarkeit, damit die entwickelten Methoden auf eine Vielzahl von Bosch Produkten angewendet werden können.