SplitNFed: Training von Künstlicher Intelligenz kann datensouverän, effizient und skalierbar gelingen
en-GBde-DEes-ESfr-FR

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
Regions: Europe, Germany
Keywords: Applied science, Computing, Technology, Artificial Intelligence, Business, Medical & pharmaceutical, Financial services

Disclaimer: AlphaGalileo is not responsible for the accuracy of content posted to AlphaGalileo by contributing institutions or for the use of any information through the AlphaGalileo system.

Testimonios

We have used AlphaGalileo since its foundation but frankly we need it more than ever now to ensure our research news is heard across Europe, Asia and North America. As one of the UK’s leading research universities we want to continue to work with other outstanding researchers in Europe. AlphaGalileo helps us to continue to bring our research story to them and the rest of the world.
Peter Dunn, Director of Press and Media Relations at the University of Warwick
AlphaGalileo has helped us more than double our reach at SciDev.Net. The service has enabled our journalists around the world to reach the mainstream media with articles about the impact of science on people in low- and middle-income countries, leading to big increases in the number of SciDev.Net articles that have been republished.
Ben Deighton, SciDevNet
AlphaGalileo is a great source of global research news. I use it regularly.
Robert Lee Hotz, LA Times

Trabajamos en estrecha colaboración con...


  • e
  • The Research Council of Norway
  • SciDevNet
  • Swiss National Science Foundation
  • iesResearch
Copyright 2025 by DNN Corp Terms Of Use Privacy Statement