Fraunhofer-Institut für Software- und Systemtechnik ISSTDezentrales föderiertes Lernen gewinnt für unternehmensübergreifende KI zunehmend an Bedeutung, um auch mit knappen Daten zuverlässige Modelle zu trainieren. Gleichzeitig verhindern Datenschutzvorgaben und fehlende Kontrolle über einmal eingelernte Daten häufig die Zusammenarbeit. Fujitsu und das Fraunhofer ISST haben deshalb »DeFedOblivio« entwickelt: ein Framework, mit dem sich Beiträge aus einem Gemeinschaftsmodell gezielt und sicher wieder entfernen lassen.
DeFedOblivio
Datensouveränität in unternehmensübergreifender KI
Die Herausforderung
Viele Unternehmen verfügen nicht über ausreichend große, ausgewogene oder qualitativ verlässliche Datenbestände, um allein robuste KI-Modelle zu trainieren. Dezentrales föderiertes Lernen eröffnet deshalb die Möglichkeit, unternehmensübergreifend gemeinsame Modelle zu entwickeln, ohne Rohdaten zentral zusammenzuführen. In der Praxis scheitert die Zusammenarbeit jedoch häufig an fehlender Kontrolle: Einmal in das Modell eingeflossene Datenbeiträge lassen sich nicht ohne Weiteres zurückziehen, selbst wenn sich Daten später als fehlerhaft, sensibel oder regulatorisch problematisch erweisen. Unternehmen müssten damit Kontrolle, Flexibilität und Datensouveränität aufgeben − eine Hürde, die viele Kooperationen verhindert.
Unsere Leistung
Gemeinsam mit Fujitsu hat das Fraunhofer ISST mit »DeFedOblivio« ein Framework entwickelt, das dezentrales föderiertes »Unlearning« − also das Vergessen von Daten einer KI − in kollaborativen Unternehmensökosystemen ermöglicht. Datenbeiträge einzelner Teilnehmer können gezielt, nachvollziehbar und sicher aus einem gemeinsam trainierten Modell entfernt werden, ohne das vollständige Training neu starten zu müssen. Die Lösung ist Komitee-gesteuert und fair organisiert: Alle Beteiligten haben dieselben Rechte und Pflichten, Entscheidungen werden gemeinschaftlich abgesichert, und auch bei fehlerhaftem oder manipulativem Verhalten einzelner Teilnehmer bleibt das System verlässlich und handlungsfähig.
Das Ergebnis
Mit »DeFedOblivio« wird kollaborative KI für unternehmensübergreifende Ökosysteme deutlich vertrauenswürdiger und praxistauglich. Unternehmen behalten die Kontrolle darüber, ob und wie lange ihre Datenbeiträge in ein Gemeinschaftsmodell einfließen. Fehlerhafte oder unerwünschte Beiträge können gezielt entfernt werden, ohne das Gemeinschaftsmodell vollständig neu zu trainieren. So stärkt die Lösung Datensouveränität, schafft Vertrauen in gemeinsame KI-Entwicklung und senkt die Hürden für die Teilnahme an föderierten Lernprozessen.
Die Partner
- Fujitsu Research
Podcastfolge: Wie kann KI vergessen?
Dezentrales Federated Unlearning ohne Qualitätsverluste
Datenschutz und Datenverarbeitung
Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: https://policies.google.com/privacyNicht für alle Unternehmen ist ein eigenes KI-Modell sinnvoll. Federated Learning ermöglicht stattdessen, dass Unternehmen ein dezentrales, gemeinsam trainiertes Modell mit verteilten Rechten nutzen. Doch was geschieht, wenn ein Akteur aus dem Modell aussteigt? Müssen die anderen Teilnehmenden dann ganz von vorne anfangen, das Modell zu trainieren? Auf der Hannover Messe 2026 zeigen Fujitsu Research und das Fraunhofer ISST, wie ein dezentrales KI-Modell lernen kann zu vergessen. In dieser Folge von »Die Datenräumer« stellen Janosch Haber und Florian Zimmer ihre gemeinsame Lösung »DeFedOblivio« vor: ein Framework, mit dem sich Beiträge aus einem Gemeinschaftsmodell gezielt und sicher wieder entfernen lassen.