Verteiltes Lernen, insbesondere Federated Learning (FL), etabliert sich als führendes Paradigma im Bereich des maschinellen Lernens und erfüllt diese beiden Eigenschaften. Federated Learning hat sich parallel zur Expansion der Cloud an den Edge (CloudEdge) entwickelt, doch interessanterweise verliefen beide trotz ihrer natürlichen Parallelität weitgehend unabhängig voneinander. Im Projekt MLEDGE (Machine Learning in the Cloud and at the Edge) arbeitet IMDEA Networks unter der Leitung von Dr. Nikolaos Laoutaris daran, diesen Trend umzukehren. Dazu wird FL als unabhängige, aber optimierte branchenübergreifende Schicht auf CloudEdge implementiert. Anhand realer Anwendungen und Daten soll demonstriert werden, dass diese Synergie erhebliche Vorteile für alle Beteiligten bietet.

Die Datenökonomie wird bis 2025 voraussichtlich einen Einfluss von 827 Milliarden Euro auf die 27 EU-Länder haben ⁽¹⁾. Daher besteht das Ziel darin, ein florierendes Ökosystem sicherer und effizienter Edge-FL-Dienste zu ermöglichen, das die Nutzung sensibler personenbezogener Daten und B2B-Daten zum Trainieren von Modellen des maschinellen Lernens ermöglicht (für einzelne Endbenutzer oder administrativ unabhängige Organisationen, die unter verschiedenen Vertrauensannahmen zusammenarbeiten – von vollständigem bis zu null Vertrauen und allen dazwischenliegenden Stufen).

Effizienz, Nachhaltigkeit und Sicherheit.
Wie Elisa Cabana, Postdoktorandin bei IMDEA Networks, betont: „Das Projekt leistet Forschungsbeiträge in Bereichen wie Federated Learning Services (FLaaS), Cloud Edge Processing, effiziente Nutzung von FL in hybriden Clouds und Schutz vor Angriffen, Schutz sensibler oder vertraulicher Daten beim Datenaustausch, Management von Herausforderungen der Datenportabilität am Edge usw.“ In diesem Kontext wird das Team ein Entwicklungsframework und Komponenten entwerfen, um diese Art von Diensten zu verbreiten, sowie Lösungen gegen Poisoning- oder Inferenzangriffe, die von manipulierten Edge-Servern und/oder „ehrlichen, aber neugierigen“ Aggregationsknoten ausgehen. Dies umfasst die Erstellung eines Wasserzeichens zum Schutz vor der Weitergabe von Daten oder Metadaten, die zwischen Edge-Servern innerhalb des FLaaS-Frameworks ausgetauscht werden.

Weitere wichtige Aspekte, wie Cabana zusammenfasst, sind: „Die Schaffung einer Ebene ökonomischer und betriebswirtschaftlicher Logik, die eine faire Verteilung von Kosten und Einnahmen zwischen den an der Entwicklung von ML-Modellen beteiligten Parteien gewährleistet, sowie die Unterstützung von DevOps (einer Reihe von Praktiken, die Softwareentwicklung und IT-Betrieb kombinieren, um den Softwareentwicklungszyklus zu beschleunigen und eine kontinuierliche, qualitativ hochwertige Bereitstellung zu ermöglichen) und die kontinuierliche Weiterentwicklung cloudbasierter Machine-Learning-Dienste. Dabei werden die Kosten durch Überwachung, Prognose und intelligente, energieeffiziente Zuweisung von Rechenlasten optimiert.“ Die Forschung wird außerdem dazu beitragen, Demonstratoren zu entwickeln, zu implementieren und öffentlich bereitzustellen, die mit sensiblen personenbezogenen Daten arbeiten und nützliche Modelle in Bereichen der traditionellen und digitalen Wirtschaft wie FinTech, Identitätsmanagement, Gesundheitswesen, Transportwesen, Zugangskontrolle und mehr speisen.

Technologietransfer in die Gesellschaft:
Die Innovationen des Projekts werden günstige Marktbedingungen für den Einsatz von föderiertem Lernen in der Cloud und in föderierten Datenarchitekturen, wie sie beispielsweise von Institutionen wie IDSA oder Gaia-X definiert werden, im internationalen Kontext schaffen. Dies wird zu Innovationen führen, die von großem Interesse sind, um bedeutende wirtschaftliche, geschäftliche und soziale Herausforderungen im Zusammenhang mit Datensilos in der Wirtschaft zu bewältigen. „MLEDGE wird fortschrittliche Technologien für föderiertes Lernen mehr Organisationen und Einzelpersonen, darunter KMU und Regierungsbehörden, zugänglich machen und die Schaffung nachhaltiger Geschäftsmodelle für alle Akteure der Wertschöpfungskette (Experten/Anbieter von maschinellem Lernen, Cloud- und Datendienstanbieter, traditionelle und digitale Industrie, öffentlicher Sektor, Hochschulen usw.) fördern“, sagt Nikolaos Laoutaris, Forschungsprofessor bei IMDEA Networks und Projektleiter am Institut.
Das Projekt wird grundlegend für die Entwicklung von Cloud- und ML/FL-Infrastrukturen in Spanien und für die Förderung nationaler Forschung und Entwicklung sein. Es wird zu den von den Vereinten Nationen für 2030 festgelegten Zielen für nachhaltige Entwicklung beitragen und die nachhaltige Entwicklung effizienter Netzwerke und FL-Lösungen durch praktische Arbeit fördern, die einen wesentlichen und positiven Einfluss auf die Umwelt haben kann.

Im Hinblick auf technologische Lösungen sind folgende Bereiche hervorzuheben:
1. Traditionelle Wirtschaft (Bauwesen, Finanzen, Gesundheitswesen usw.). Unternehmen entwickeln Anwendungsfälle, um Prozesse oder Entscheidungsprozesse (z. B. in Echtzeit) auf Basis von Daten oder Modellen aus dem föderierten maschinellen Lernen zu verbessern.
2. Digitale Wirtschaft. Ein Beispiel hierfür wäre der Bereich der digitalen Gesundheit, etwa die Nutzung von Informationen mobiler Geräte oder Wearables. Ein weiteres Beispiel wäre das Training von Modellen für digitale Werbung.
3. Optimierung von CloudEdge-Infrastrukturen. Dies ist eine Schlüsselfunktion von MLEDGE, das föderierte Algorithmen für maschinelles Lernen einsetzt.
MLEDGE (Machine Learning in der Cloud und am Edge) wird vom Ministerium für Wirtschaft und digitale Transformation der Europäischen Union im Rahmen von NextGeneration-EU (Januar 2023 – Juni 2025) gefördert.

(1) Europäische Datenstrategie für den Zeitraum 2025-2030