Kurze Antwort: Federated Learning ist eine Trainingsmethode für KI-Modelle, bei der die Rohdaten dort bleiben, wo sie entstehen – auf dem Gerät, im Firmennetz oder am jeweiligen Standort. Statt Daten an einen zentralen Server zu schicken, lernt das Modell lokal, und nur die daraus gewonnenen Modell-Updates werden zu einem gemeinsamen Modell zusammengeführt. Für KMU ist das interessant, weil sich damit KI-Modelle mit sensiblen oder personenbezogenen Daten trainieren lassen, ohne diese Daten aus der Hand zu geben.
Was bedeutet Federated Learning?
Beim klassischen maschinellen Lernen sammelt ein Anbieter Trainingsdaten an einem zentralen Ort und trainiert dort ein Modell. Federated Learning dreht das um: Das Modell wandert zur Datenquelle, lernt dort lokal und schickt nur die Lernfortschritte – mathematische Modell-Updates, keine Rohdaten – zurück an eine zentrale Koordinationsstelle. Dort werden die Updates vieler Teilnehmer gemittelt (Federated Averaging) und als verbessertes Gesamtmodell verteilt. Entwickelt wurde das Verfahren 2016/2017 von Google für Tastatur-Vorschläge auf Android-Smartphones, ohne dass Google einzelne Texteingaben einsehen muss.
Man unterscheidet grob zwei Varianten: Beim horizontalen Federated Learning – dem häufigsten Fall – haben alle Teilnehmer dieselbe Art von Daten, aber unterschiedliche Personen, etwa Bewegungsdaten verschiedener Patienten. Beim vertikalen Federated Learning teilen sich die Teilnehmer dieselben Personen, besitzen aber unterschiedliche Datenmerkmale, etwa bei einer Bank und einer Versicherung mit denselben Kunden. Der Kerngedanke bleibt gleich: Die Intelligenz wandert zu den Daten, nicht umgekehrt.
Wie läuft ein Trainingszyklus ab?
Ein Trainingsdurchlauf (eine „Runde”) folgt vier Schritten: Die Koordinationsstelle verteilt das globale Modell an ausgewählte Geräte oder Standorte. Jeder Teilnehmer trainiert es kurz mit den eigenen, lokal gespeicherten Daten und schickt danach nur die berechneten Parameteränderungen zurück, nicht die Daten selbst. Die Koordinationsstelle mittelt alle Updates zu einem neuen globalen Modell, das in die nächste Runde geht – je nach Anwendungsfall wenige Dutzend bis mehrere Tausend Runden.
Damit die Koordinationsstelle nicht auf einzelne Teilnehmer zurückschließen kann, kommen zusätzlich Verschlüsselungsverfahren und Differential Privacy zum Einsatz, bei dem den Updates statistisches Rauschen beigemischt wird.
Federated Learning in der Praxis: Ein Beispiel
Stellt euch eine Kette von drei Physiotherapie-Praxen vor, die gemeinsam ein KI-Modell entwickeln möchten, das anhand von Bewegungsdaten Belastungsmuster erkennt und Übungsempfehlungen vorschlägt. Jede Praxis hat eigene Patientendaten, die aus Vertrauens- und Datenschutzgründen nicht die Praxis verlassen sollen. Mit Federated Learning muss keine Praxis diese Daten weitergeben: Das Training läuft lokal, nur die Modellanpassungen gehen an eine zentrale Koordinationsstelle, werden dort zusammengeführt und als verbessertes Gesamtmodell an alle drei Praxen zurückgegeben. Am Ende profitieren alle von einem Modell mit breiterer Datenbasis, ohne dass ein einzelner Patientendatensatz die jeweilige Praxis verlassen hat. Das bedeutet erfahrungsgemäß etwas mehr Rechenleistung vor Ort, dafür aber ein einfacheres Datenschutzkonzept.
Herausforderungen und Grenzen von Federated Learning
Federated Learning löst nicht automatisch alle Probleme. Die Daten an den Standorten sind selten gleich verteilt (Non-IID) – das kann die Modellqualität beeinträchtigen und erfordert zusätzliche Abstimmung. Hinzu kommt Kommunikationsaufwand, da Modell-Updates über viele Runden hin- und hergeschickt werden, was bei begrenzter Internetanbindung spürbar werden kann. Sicherheitsseitig kann ein einzelner manipulierender Teilnehmer über gezielt veränderte Updates versuchen, das Gesamtmodell zu verfälschen (Poisoning-Angriffe) – produktive Systeme benötigen deshalb zusätzliche Kontrollmechanismen.
Federated Learning und Datenschutzrecht (DSGVO)
Federated Learning gilt oft als datenschutzfreundlicher Ansatz, ersetzt aber keine DSGVO-Pflichten. Weil personenbezogene Rohdaten lokal bleiben, sinkt das Risiko einer großflächigen Datenpanne – doch Modell-Updates können unter bestimmten Bedingungen Rückschlüsse auf Trainingsdaten erlauben. Es braucht deshalb weiterhin eine Rechtsgrundlage nach Art. 6 DSGVO sowie technische Maßnahmen wie Verschlüsselung und Differential Privacy. Übernimmt ein externer Dienstleister die Koordination und liegt dabei eine Auftragsverarbeitung vor, ist zusätzlich ein AVV nach Art. 28 DSGVO nötig (Stand: September 2026).
Verwandte Begriffe
Federated Learning steht oft im Kontext von Anonymisierung, da beide Verfahren personenbezogene Daten beim KI-Training schützen sollen. Wird ein externer Dienstleister für die Koordination eingebunden, ist häufig ein AVV relevant. Ergänzend eingesetzt wird oft Differential Privacy, das zusätzliches Rauschen in Modell-Updates einbaut, um Rückschlüsse auf Einzelpersonen zu erschweren.
Häufige Fragen
Ist Federated Learning automatisch DSGVO-konform?
Nein. Federated Learning senkt das Risiko, weil Rohdaten lokal bleiben, ersetzt aber keine der üblichen DSGVO-Pflichten wie Rechtsgrundlage, technische Schutzmaßnahmen und gegebenenfalls einen Auftragsverarbeitungsvertrag. Ob ein konkretes Projekt die datenschutzrechtlichen Anforderungen im Einzelfall erfüllt, hängt von der technischen Umsetzung ab.
Für welche Art von Unternehmen lohnt sich Federated Learning?
Interessant ist der Ansatz vor allem für Unternehmen, die mit mehreren Standorten, Filialen oder Kooperationspartnern gemeinsam von einem KI-Modell profitieren wollen, ohne sensible Kunden- oder Patientendaten zentral zusammenzuführen, etwa im Gesundheitswesen, im Handwerk mit mehreren Betrieben oder in Franchise-Strukturen.
Braucht man für Federated Learning teure Spezial-Hardware?
Nicht zwingend. Für kleinere Anwendungsfälle reicht oft handelsübliche Server- oder Cloud-Infrastruktur bei den beteiligten Standorten aus. Der Aufwand liegt meist weniger in der Hardware als in der Koordination und der sauberen technischen Umsetzung des Trainingsprozesses. Aktuelle Angaben zu Anforderungen solltet ihr direkt beim jeweiligen Anbieter prüfen.
Kann man aus den übermittelten Modell-Updates die Patientendaten rekonstruieren?
Ein vollständiges Rekonstruieren einzelner Datensätze ist bei sauber umgesetztem Federated Learning nicht das übliche Ergebnis, doch zeigt Forschung, dass unter bestimmten Bedingungen – etwa bei sehr kleinen Teilnehmergruppen oder ohne zusätzliche Schutzmaßnahmen – teilweise Rückschlüsse auf Trainingsdaten möglich sind. Zusätzliche Verfahren wie Secure Aggregation und Differential Privacy verringern dieses Risiko.