Federated Learning demonstrator

Elke AI‑toepassing staat of valt met de data erachter, maar data centraal verzamelen is niet altijd wenselijk of zelfs mogelijk, bijvoorbeeld door wetgeving (GDPR), bedrijfsgeheimen of concurrentiegevoelige data. Federated learning biedt hier een privacy vriendelijk alternatief: organisaties kunnen samenwerken aan een beter AI-model, terwijl de data lokaal blijft.

Wat is federated learning?

Bij federated learning blijft de data lokaal bij elke deelnemende organisatie. Een (initieel) model wordt gedeeld met elke deelnemer (client), waarna elke client het model lokaal traint op de eigen server. Vervolgens stuurt elke client enkel model-updates terug naar een centrale aggregatieserver, die deze updates samenvoegt tot een verbeterd globaal model. Dat verbeterde model wordt daarna opnieuw verdeeld voor de volgende trainingsronde. Dit proces herhaalt zich gedurende een ingesteld aantal trainingsrondes, waardoor doorgaans een model ontstaat dat beter presteert dan wanneer elke partij afzonderlijk traint op enkel de eigen data. Zo leer je samen, zonder dat je gevoelige of concurrentiegevoelige data moet delen.

Demonstrator: scenario’s

In de demonstrator zijn momenteel onder meer volgende scenario’s voorzien:

• Predictive maintenance: gezamenlijke voorspelling van machine-uitval over meerdere “fabrieken/organisaties”, zonder productie- en sensordata te delen. De demo vertrekt van de synthetische dataset ‘AI4I 2020 Predictive Maintenance (UCI)’ en gebruikt als parameters o.a. temperatuur, snelheid, koppel, tool wear en faaltypes.
• CIFAR-10: een gevestigde computer-vision dataset voor beeldclassificatie met 60 000 kleurenafbeeldingen in 10 klassen, vaak gebruikt om beeldherkenningsmodellen te trainen en te vergelijken.

De demonstrator wordt verder uitgebreid; bijkomende scenario’s kunnen zichtbaar zijn in de interface, maar worden stapsgewijs aangevuld.

Wat kan je concreet doen in de demonstrator?

Er kunnen simulaties worden gestart en parameters worden aangepast, zoals het aantal deelnemende clients (organisaties), het aantal trainingsrondes, de learning rate en de dataverdeling (hoe de data over clients is verdeeld). Daarnaast kunnen de prestaties worden vergeleken via duidelijke grafieken en metrieken (zoals loss, accuracy, precision, recall en F1‑score). Zo wordt meteen zichtbaar hoe federated learning presteert tegenover lokaal trainen (Local Learning).

👉 Ontdek de demonstrator hier: https://www.art-ie.eu/home/onz...