Demonstrator
1. Auswahl eines Federated Learning Frameworks
Für die Auswahl eines geeigneten FL-Frameworks wurden folgende Kriterien und Anforderungen zugrunde gelegt:
- Renomierte Partner, aktive Community, so dass das Framework mit hoher Wahrscheinlichkeit auch in 3 Jahren noch verfügbar und vital ist
- Open Source mit Lizenz zur Entwicklung und Möglichkeit die Projektergebnisse als OS SDK anzubieten
- Perspektivisch kommerzielle Nutzung mit verschiedenen Unternehmen aus mehreren Branchen
- effiziente Orchestration, Wartung, Support muss möglich sein
- Gewährleistung von Sicherheit / Privacy
- Skalierbarkeit bzgl. nodes, Daten
- Einbindung von Clients mit Firewalls
- Es sollen Lösungen mit und ohne zentralem Model möglich sein
Zur Auswahl standen 9 vorhandene Open-Source Frameworks für Federated Learning.
2. Verteiltes Training
Konzeption für ein verteiltes Training von KI-Modellen auf Basis eines FL Frameworks mit Betrachtung der verschiedenen Aspekte wie Management, Datenverteilung, Training, Validierung und Security.
3. Validierungspipeline
Der Use Case Document Recognition von ControlExpert verwendete ein verteiltes Training und eine Validierungspipeline mit Auswertung der Ergebnisse.
4. Showcase
Folgendes Beispiel zeigt ein verteiltes Training mit Nvidia Flare für ein KI Modell auf drei Servern für Administrator und Clients.