Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in das Federated Learning
- Was ist Federated Learning – und wie unterscheidet es sich vom zentralisierten Lernen?
- Vorteile von Federated Learning für eine sichere Zusammenarbeit im Bereich KI
- Anwendungsbereiche und Einsatzmöglichkeiten in Branchen mit sensiblen Daten
Grundlegende Komponenten des Federated Learning
- Federierte Daten, Clients sowie Aggregation von Modellen
- Kommunikationsprotokolle und Aktualisierungen
- Umgang mit Heterogenität in federierten Umgebungen
Datenschutz und Sicherheit im Federated Learning
- Datensparsamkeit sowie grundlegende Datenschutzprinzipien
- Verfahren zum Schutz von Modellaktualisierungen – etwa durch differenzielle Datenschutzmechanismen
- Federated Learning im Einklang mit datenschutzrechtlichen Vorgaben
Umsetzung von Federated Learning
- Einrichtung einer federierten Trainingsumgebung
- Verteiltes Training von Modellen unter Verwendung spezialisierter Frameworks
- Überlegungen zur Leistungsfähigkeit und Genauigkeit der Modelle
Federated Learning im Gesundheitswesen
- Sicherer Datenaustausch sowie Herausforderungen im Hinblick auf den Datenschutz
- KI-gestützte Zusammenarbeit bei medizinischen Forschungsvorhaben und Diagnosen
- Fallstudien: Federated Learning in der bildgebenden Diagnostik sowie bei der Erstellung von Diagnosen
Federated Learning in der Finanzbranche
- Einsatz von Federated Learning zur Entwicklung sicherer Finanzmodelle
- Betrugserkennung sowie Risikoanalyse mittels federierter Ansätze
- Beispiele für sicherheitsorientierte Datenzusammenarbeit in Finanzinstituten
Herausforderungen und zukünftige Entwicklungen im Federated Learning
- Technische sowie organisatorische Hindernisse bei der Umsetzung von Federated Learning
- Trends und Fortschritte in der zukünftigen Entwicklung von federierter KI
- Potenzielle Einsatzmöglichkeiten für Federated Learning in verschiedenen Industriezweigen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundkenntnisse in den Konzepten des maschinellen Lernens
- Vertrautheit mit grundlegenden Prinzipien der Datenschutz- und Sicherheitsaspekte
Zielgruppe
- Datenwissenschaftler und KI-Forscher, die sich mit datenschutzorientiertem maschinellen Lernen befassen
- Fachkräfte aus dem Gesundheits- sowie Finanzbereich, die mit sensiblen Daten arbeiten
- IT- und Compliance-Manager, die an sicheren Methoden der KI-Zusammenarbeit interessiert sind
14 Stunden
