SplitNFed: Training von Künstlicher Intelligenz kann datensouverän, effizient und skalierbar gelingen



Teilen: 

02.10.2025 11:15

Literature advertisement

Plötzlich gesund

Fortschreitende Naturerkenntnis, ganz allgemein gesprochen, ‚Wissenschaft‘, ist der stärkste Feind des medizinischen Wunders. Was unseren Vorfahren als Wunder erschien, was einfache Naturvölker heute noch in heftige Erregung versetzt, das berührt den zivilisierten Menschen längst nicht mehr.
Doch es gibt einen Gegensatz, der jedem Denkenden sofort auffällt: der unerhörte, durchaus nicht abgeschlossene Aufstieg der wissenschaftlichen Heilkunde und die ebenso unerhörte Zunahme der Laienbehandlung und der Kurpfuscherei. Man schätzt die Zahl der Menschen, die der Schulmedizin kein Vertrauen schenken, auf immerhin 50 Prozent.
Wie kann es sein, daß Laienbehandler und Kurpfuscher immer wieder spektakuläre Erfolge aufweisen, von denen die Sensationspresse berichtet?
Der Autor geht dieser Frage nach und kommt zu interessanten Erkenntnissen, aus denen er Vorschläge für eine bessere Krankenbehandlung durch seine ärztlichen Standesgenossen ableitet.

Hier geht es weiter …

SplitNFed: Training von Künstlicher Intelligenz kann datensouverän, effizient und skalierbar gelingen

Künstliche Intelligenz ist der Innovationsmotor der digitalen Transformation, doch viele Unternehmen stehen bei ihrer Nutzung vor einer Herausforderung: Sie wollen gleichzeitig leistungsfähige Modelle trainieren und Datenschutz wahren. Das neue Whitepaper des Institutsteils Wirtschaftsinformatik des Fraunhofer-Instituts für Angewandte Informationstechnik FIT zeigt, wie dies gelingen kann: Mit SplitNFed, einem verteilten und kollaborativen Lernverfahren, das Datensouveränität mit Effizienz und Skalierbarkeit vereint.

Das Whitepaper mit dem Titel »SplitNFed: Datenschutzkonforme und effiziente künstliche Intelligenz mit Split & Federated Learning« bietet eine praxisorientierte Einführung in die beiden Schlüsseltechnologien des verteilten Lernens: Split Learning und Federated Learning und stellt das neuartige Konzept SplitNFed vor, das die Vorteile beider Verfahren kombiniert. Das Whitepaper veranschaulicht die technischen Grundlagen, zeigt praxisnahe Einsatzpotenziale und strategischen Vorteile von SplitNFed auf.

>>Die Vorteile von SplitNFed: Volle Datenhoheit, effiziente Ressourcennutzung und hohe Skalierbarkeit

Das Whitepaper zeigt, dass SplitNFed nicht nur die digitale Souveränität stärkt, sondern auch wirtschaftliche Vorteile erschließt. Unternehmen können bislang ungenutzte Server- und Edge-Kapazitäten in das Training von Künstlicher Intelligenz einbinden, externe Cloud-Abhängigkeiten reduzieren und Trainingsprozesse selbst bei begrenzter Bandbreite stabil betreiben. Gleichzeitig erlaubt die Architektur eine flexible Integration heterogener IT-Landschaften und schafft so die Grundlage für skalierbare, unternehmensübergreifende Kooperationen. Das macht das Verfahren besonders geeignet für Branchen mit hohen Datenschutzanforderungen, etwa im Gesundheitswesen oder im Finanzsektor.

»SplitNFed zeigt, wie Unternehmen ihre bestehende IT-Infrastruktur aktivieren können, um KI skalierbar und wirtschaftlich zu trainieren, ohne dabei Kompromisse bei Sicherheit und Souveränität eingehen zu müssen“, sagt Mitautor Dr. Tobias Guggenberger vom Fraunhofer FIT.

>>Einladung zur Mitwirkung an der Pilotierungsphase

Das Fraunhofer FIT lädt interessierte Unternehmen ein, sich aktiv an der Pilotierungsphase von SplitNFed zu beteiligen. Ziel ist es, gemeinsam mit Anwendenden aus der Praxis die technologische Umsetzung zu erproben, konkrete Anforderungen zu identifizieren und das Verfahren entlang realer Bedarfe weiterzuentwickeln.
Das Whitepaper steht ab sofort kostenfrei zum Download bereit: https://s.fhg.de/Whitepaper-SplitNFed

>>Kontakt

Dr. Tobias Guggenberger
Fraunhofer FIT, Institutsteil Wirtschaftsinformatik
E-Mail: tobias.guggenberger@fit.fraunhofer.de


Bilder


Merkmale dieser Pressemitteilung:
Journalisten, Wirtschaftsvertreter
Informationstechnik, Medizin, Wirtschaft
überregional
Forschungsergebnisse, Forschungsprojekte
Deutsch


 

Quelle: IDW