Zurück zur Übersicht
Das Verfahren für sogenanntes federated unlearning soll es ermöglichen, Daten eines ausscheidenden Partners aus einem dezentral trainierten KI-Modell zu entfernen, ohne das System komplett neu aufzusetzen. Für Unternehmen in kooperativen KI-Projekten könnte das die Datenkontrolle deutlich vereinfachen.
Fraunhofer ISST und Fujitsu Research haben ein Verfahren für sogenanntes federated unlearning vorgestellt.
Damit lassen sich Daten eines ausscheidenden Partners gezielt aus einem dezentral trainierten KI-Modell entfernen. In vielen Fällen entfällt dadurch das aufwendige vollständige Neutraining des Systems.
Der Ansatz richtet sich vor allem an kooperative KI-Projekte, in denen Datenhoheit und Vertraulichkeit eine zentrale Rolle spielen. Für Unternehmen, die Modelle gemeinsam trainieren und später wieder sauber trennen müssen, ist das praktisch relevant.
Weiterlesen
Die fünfjährige Kooperation soll agentische KI für die koreanische Sprache und südkoreanische Industrieanwendungen entwickeln. Nvidia stellt dafür jährlich Rechenkapazität im Wert von 50 Millionen Dollar über lokale Cloud-Partner bereit.
Die Initiative soll KI, Supercomputer, wissenschaftliche Datensätze und experimentelle Infrastruktur für Forschung, Energie und nationale Sicherheit bündeln. Mehr als 15 Bundesbehörden sollen daran beteiligt sein.
OpenAI zufolge hat ein internes Reasoning-Modell den Unit-Distance-Fall einer klassischen Vermutung der diskreten Geometrie widerlegt. Laut dem Unternehmen haben externe Mathematiker den Beweis geprüft. Sollte sich der Befund halten, wäre das ein Hinweis darauf, dass KI in der Forschung mehr kann als nur Zuarbeit.
Die Bundesagentur will Teams aus ganz Europa mit bis zu 125 Millionen Euro Seed-Finanzierung fördern. Gesucht werden neue Trainingsmethoden, Architekturen, agentenbasierte Systeme und weitere grundlegende KI-Konzepte.
Der Kommentarbereich wird geladen, sobald du ihn erreichst.