NVIDIA hat eine neue Version von FLARE vorgestellt – einer Plattform für Federated Learning, die Entwicklern das Portieren lokaler Trainings-Skripte in verteilte FL-Jobs mit minimalem Aufwand ermöglicht. Das Ziel: den Refactoring-Overhead eliminieren, der bisher viele FL-Projekte nach der Pilotphase scheitern ließ.
Federated Learning verschiebt die Trainingslogik zu den Daten, statt Daten zu zentralisieren. In regulierten Umgebungen ist einfach alle Daten sammeln zunehmend keine Option mehr – Datenschutzbestimmungen, Datensouveränität und Compliance-Anforderungen erfordern dezentrale Ansätze.
Zwei-Schritte-Ansatz für FL
FLARE teilt den Prozess in zwei klare Schritte: Zuerst wird ein lokales Training-Skript mit etwa 5 bis 6 Codezeilen in einen federated Client umgewandelt – ohne die Trainingslogik zu ändern. PyTorch- und PyTorch-Lightning-Nutzer können dabei nahtlos migrieren. Im zweiten Schritt wird das Job-Recipe definiert, das dasselbe Skript in Simulation, Proof-of-Concept und Produktion ausführt.
Der entscheidende Vorteil: Write once, run anywhere. Einmal definiert, läuft dasselbe Job-Recipe in allen Umgebungen – vom schnellen SimEnv über das PocEnv bis zum ProdEnv auf verteilter Infrastruktur.
Für ML-Teams in regulierten Branchen wie Gesundheitswesen und Finanzsektor eröffnet FLARE damit neue Möglichkeiten, kollaborativ an Modellen zu arbeiten, ohne sensible Daten zu bewegen.
