Übersicht
Worum es bei diesem Projekt geht.
Sie simulieren drei Clients (je ein Zulieferer) mit nicht-IID-verteilten Datensätzen (jeder Zulieferer hat eigene Defekt-Klassen-Verteilung). Implementieren Sie FedAvg und FedProx (Variante für nicht-IID-Daten) mit Flower oder einer eigenen PyTorch-Implementierung. Vergleichen Sie: globale Accuracy gegen zentrales Training, pro-Client-Accuracy, Kommunikations-Overhead in MB pro Runde. Implementieren Sie zusätzlich Secure Aggregation (z. B. Bonawitz-Protokoll oder vereinfachte Variante), damit der Aggregations-Server keine Einzel-Updates sieht. Liefern Sie einen 6-seitigen Konsortium-Bericht mit Empfehlung, ob das Setup produktionsreif ist.
Das Briefing
Was Du tust und was Du zeigst.
Erreicht ein Federated-Learning-Setup mit Secure Aggregation für drei nicht-IID-Automotive-Clients eine produktionsreife Modell-Qualität gegen ein zentrales Baseline?
Earning criteria — what you'll demonstrate
- Federated Learning auf nicht-IID-Daten praktisch zum Konvergieren bringen
- Secure Aggregation als kryptografische Schutz-Schicht implementieren
- Trade-offs zwischen Privacy-Schutz und Modell-Qualität quantifizieren
- Eine kollaborative ML-Architektur für Wettbewerber-Partner designen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenKI-Sicherheits-Forscher:in
Federated Learning + Secure Aggregation ist ein hochspezialisiertes Profil, das in Privacy-Engineering-Teams und EU-AI-Forschungsprojekten direkt gesucht wird.
Dieses Projekt schärft
- federated-learning
- secure-aggregation
- fedprox
ML-Forscher:in
Non-IID-FL-Forschung mit publikationsfähigem Vergleich ist ein konferenz-nahes Profil (FL@FedCSIS, FedML-Workshops), das für Research-Tracks qualifiziert.
Dieses Projekt schärft
- federated-learning
- non-iid-data
- fedavg
MLOps-Ingenieur:in
Multi-Client-FL-Orchestrierung ist eine fortgeschrittene MLOps-Disziplin, die in Industrie-Konsortien immer wichtiger wird.
Dieses Projekt schärft
- federated-learning
- pytorch
- secure-aggregation
Noch eine Sache