Mehrere Organisationen wollen ein gemeinsames KI-Modell trainieren. Ihre Daten dürfen oder sollen aber nicht in einem gemeinsamen Speicher landen. Das US-amerikanische National Institute of Standards and Technology (NIST) hat dafür am 29. Oktober 2026 eine offene Testumgebung veröffentlicht. Sie macht einen Ansatz praktisch vergleichbar, der als föderiertes Lernen bekannt ist.
Was beim verteilten Training den Standort verlässt
Beim zentralen Training werden die Trainingsdaten an einem Ort gesammelt. Beim föderierten Lernen trainieren die beteiligten Standorte mit ihren eigenen Daten. In einer typischen Umsetzung fliessen anschliessend Modelländerungen in ein gemeinsames Modell ein. Die Rohdaten bleiben dabei am jeweiligen Standort, während die Beteiligten gemeinsam auf dasselbe Lernziel hinarbeiten.
Was der NIST-Prüfstand vergleichbar macht
Die Testumgebung unterstützt zentrales und verteiltes Training, jeweils mit oder ohne Differential Privacy. Dieses Verfahren fügt gezielt statistisches Rauschen hinzu, um Rückschlüsse auf einzelne Datensätze zu erschweren. Zusätzlicher Schutz kann die Modellgüte beeinflussen. Die Testumgebung hilft, diesen Zielkonflikt mit denselben Daten unter verschiedenen Einstellungen zu untersuchen.
Als erstes Beispiel stellt das NIST einen aufbereiteten Soja-Genomdatensatz mit mehr als 18’000 Einträgen bereit. Damit lassen sich die Verfahren ausprobieren, ohne für den ersten Versuch vertrauliche Kundendaten zu verwenden. Die Resultate aus diesem Beispiel lassen sich nicht automatisch auf andere Daten oder Aufgaben übertragen.
Was das für Unternehmen bedeutet
Ein denkbares Beispiel sind mehrere Produktionsstandorte, die gemeinsam ein Modell für die Fehlererkennung entwickeln möchten. Bevor Sie dafür Trainingsdaten zusammentragen, lohnt sich ein Vergleich: Welche Daten oder Modellinformationen müssten die Standorte austauschen? Welche Fehlerrate ist im Betrieb akzeptabel? Und wer darf die ausgetauschten Informationen einsehen?
Dass Rohdaten vor Ort bleiben, macht das Training nicht automatisch anonym. Auch Modelländerungen können Informationen über die Trainingsdaten preisgeben. Der Prüfstand hilft, technische Varianten zu vergleichen. Ob ein Verfahren für die eigenen Daten geeignet ist, muss ein Unternehmen anhand seiner Anforderungen und Messwerte beurteilen.
Quellen
NIST / NCCoE: Privacy-Preserving Federated Learning Testbed and Curated Dataset, 29. Oktober 2026