Bei jeder Texteingabe auf der Smartphone-Tastatur werden Daten erfasst, um Wortvorhersagen zu generieren, die sich kontinuierlich verbessern. Da diese Eingaben hochsensible Informationen wie Passwörter, private Nachrichten und persönliche Notizen enthalten, ist eine zentrale Datenspeicherung ein Sicherheitsrisiko. Federated Learning (FL) löst dieses Dilemma: Das neuronale Netzwerk wird dezentral trainiert – jedes Endgerät führt lokale Trainingsdurchläufe durch. Ausschließlich die resultierenden Modell-Updates (Gewichtungen), nicht jedoch die Rohdaten, werden aggregiert an einen zentralen Server übermittelt. Dieser kombiniert die Updates mittels sicherer Aggregationsverfahren zu einem globalen Modell, das anschließend an alle Geräte verteilt wird. So entsteht ein kollektiv verbessertes Modell unter Wahrung des Datenschutzes.

Der Übergang von KI-Anwendungen aus der Forschung in die industrielle Anwendung ist eine Herausforderung, die aus vielen Gründen oft scheitert – von regulatorischen Hürden über strategische Bedenken bis hin zu technischen Problemen und Cybersicherheitsrisiken. FL ist eine überzeugende Option zur Bewältigung dieser Herausforderungen.

Regulatorische Hürden
Herausforderungen in diesem Bereich sind Exportkontrollen (Produktionsdaten von Dual-Use-Gütern), finanzielle Insider- Informationen börsennotierter Unternehmen (Produktionsdurchsatz- Zeitstempel) und auch die DSGVO. FL hält Daten lokal und verarbeitet sie an der Quelle, wodurch Compliance gewährleistet wird, während Daten über Ländergrenzen, Organisationen und Fabriken hinweg nutzbar bleiben.
Strategische Bedenken
Reale Anwendungsfälle erfordern oft mehr Daten, als eine einzelne Organisation bereitstellen kann. Unterschiedliche Interessen, Bedenken hinsichtlich Alleinstellungsmerkmalen und geistigen Eigentums sowie geopolitische Spannungen verhindern oft Datenaustausch – selbst bei Kooperationen ohne direkten Wettbewerb. FL spiegelt die strategische Rolle von Daten wider: Daten bleiben im Unternehmenseigentum, nur spezifische Erkenntnisse (repräsentiert durch das KI-Modell) werden geteilt. Unternehmen können so industrielle KI nutzen, ohne Geschäftsgeheimnisse zu gefährden.
Kostenbedenken
Moderne Fertigungsstandorte erzeugen enorme Datenmengen, besonders bei kamerabasierten Anwendungen wie zum Beispiel visuelle Qualitätskontrolle, durch intelligente Roboter oder das Sammeln von hochfrequenten Maschinendaten wie etwa Motorströmen. Diese Daten werden in verschiedenen Bereichen wie Automotive, Lebensmittel oder in der Logistikindustrie generiert. Diese schieren Mengen treiben Cloud-Übertragungskosten und CO₂-Fußabdruck in die Höhe. FL reduziert beides signifikant.
Cybersicherheitsrisiken
Zentrale Datenpools sind attraktive Angriffsziele und Schäden können sich dabei durch Datenschutzverletzungen erhöhen. Betreiber von Datenpools müssen Cybersicherheitsrisiken sowie rechtliche und Reputationsfolgen im Blick haben. FL eliminiert zentrale Datenpools – eine elegante Risikominderung.

Siemens steigerte in Zusammenarbeit mit dem deutschen Softwareentwickler Katulu durch den Einsatz von Federated Learning die Leistung der automatischen optischen Inspektion (AOI) in seinen Werken in Amberg und Erlangen. Dort war die AOI unzureichend, was zu übersehenen Fehlern sowie Fehlalarmen bei einwandfreien Leiterplatten führte. Das Digitalisierungsteam der beiden Siemens-Fabriken (EWA – Elektronikwerk Amberg und GWE – Gerätewerk Erlangen) nutzte bereits seit einiger Zeit ein sogenanntes XGBoost-basiertes KI-Modell, das Prozessdaten der gesamten Produktionslinie analysierte, um Fehlklassifizierungen zu reduzieren.

© Siemens

Die automatische optische Inspektion wurde im Siemens-Elektronikwerk Amberg durch Federated Learning verbessert.

Allerdings war dieses Modell auf die trainierten Leiterplatten(PCB)-Varianten beschränkt, generalisierte nicht und musste für jede unterschiedliche Leiterplattenvariante, Produktionslinie und jeden Standort angepasst werden. Das Kooperationsprojekt zwischen Siemens und Katulu führte Federated Learning ein, um die AOI-Leistung weiter zu verbessern, Fehlalarme zu reduzieren und die Grundlage für einen Rollout auf weitere Siemens-Werke – einschließlich Standorten in China – zu schaffen.

Federated Learning im Praxiseinsatz

Die FL-Implementierung basiert auf der Siemens-Industrial-Edge(IE)-Plattform, die verschiedene Bausteine zur Verwaltung heterogener IT-Workloads in OT-Umgebungen bereitstellt: Datenbus für OT-Konnektivität, AI Software Development Kit zur Vorbereitung von KI-Pipelines, AI Model Manager zur Versionsverwaltung, AI Inference Server zur Modellausführung und AI Model Monitor für Betriebsmetriken. Die Lösungsarchitektur umfasst vier Ebenen: die Feldebene mit Datenerfassung, die Werksebene mit Trainingsfähigkeiten durch den FL-Agent, die Private Cloud mit Deployment-Funktionen und die Public Cloud mit der Katulu-Plattform für Modellaggregation. Diese Plattform gewährleistet Datenschutz durch Differential Privacy – der Katulu-Agent fügt den hochgeladenen Modellgewichten „Rauschen“ hinzu, um Reverse Engineering, also das Rekonstruieren von Trainingsdaten, zu verhindern. Diese Architektur wurde erfolgreich in den Siemens-Werken Erlangen und Amberg implementiert und kann problemlos auf weitere Standorte skaliert werden.

© Siemens

Die Plattform Siemens Industrial Edge stellt verschiedene Bausteine zur Verwaltung heterogener IT-Workloads in OT-Umgebungen bereit.

Wenngleich die beschriebene FL-Lösung schon sehr weit fortgeschritten ist, stößt sie dennoch besonders in der industriellen Praxis schnell an ihre Grenzen. Beim klassischen Federated Learning wird ein einheitliches globales Modell über alle Standorte hinweg trainiert und verteilt. Die Schwächen dieses „One-Size-Fits-All“-Ansatzes werden auch im erwähnten Siemens-Beispiel deutlich: Obwohl die Werke in Erlangen und Amberg ähnliche Produkte fertigen, unterscheiden sich die Produktionsumgebungen erheblich, etwa durch unterschiedliche Produktionslinien-Konfigurationen, standortspezifische Temperaturprofile und lokale Umgebungsbedingungen. Ein rein globales Modell muss zwangsläufig Kompromisse eingehen: Was in Erlangen optimal funktioniert, kann in Amberg suboptimal sein. Hinzu kommen zukünftige Standorte in China mit völlig anderen Rahmenbedingungen. Ein starres Einheitsmodell ignoriert entweder lokale Besonderheiten und verschenkt Qualitätspotenziale oder es wird so allgemein gehalten, dass es nirgendwo exzellente Ergebnisse liefert.

Patent für Weiterentwicklung

Eine Weiterentwicklung und Verbesserung des FL-Ansatzes, der diese Unzulänglichkeiten ausmerzen will, ist das sogenannte parameterselektive personalisierte Federated Learning. Dieses wurde von Forschenden von Siemens Österreich entwickelt und mündete in ein eingetragenes Patent beim Europäischen Patentamt. Diese innovative Methode hebt die KIAnwendung noch eine Stufe höher und überwindet die Schwächen des „Einheitsmodells“ durch intelligente Aufspaltung: Gemeinsame Erkenntnisse wie grundlegende Fehlermuster werden als globale Parameter zwischen allen Werken geteilt, während standortspezifische Parameter lokal bleiben und sich präzise an individuelle Produktionsbedingungen anpassen. Jedes Werk profitiert von der kollektiven Intelligenz aller Standorte, ohne seine Optimierungsfähigkeit zu verlieren. Das Ergebnis ist keine durchschnittliche Kompromisslösung, sondern eine Familie verwandter, individuell optimierter Modelle – jedes perfekt abgestimmt auf seinen Einsatzort, aber alle verbunden durch gemeinsames Lernen.

Die Neuentwicklung wird von den Expert:innen aus dem Bereich Distributed AI Systems von Siemens Österreich im Labor weiter getestet und vorangebracht. Im nächsten Schritt soll die Lösung in Siemens-Werken den Praxistest bestehen und schließlich einmal als Software-as-a-Service (SaaS)-Angebot auf der Digitalisierungsplattform Siemens Xcelerator zur Verfügung stehen.