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
In einem Vergleich von zehn KI Assistenten erreichte GPT-5.5 Thinking die höchste Gesamtpunktzahl. Claude Sonnet 4.6 sagte dafür die meisten Gruppenspiele korrekt voraus.
Ein Stanford-geführtes Forschungsteam hat vollständige Genome von Bakteriophagen entworfen, die Bakterien infizieren und abtöten können. Der Ansatz könnte neue Therapien gegen antibiotikaresistente Bakterien ermöglichen, verschärft aber zugleich die Debatte über biologische Risiken.
Eine Untersuchung zu GPT-5.2 zeigt, dass Empfehlungen zu Sparen und Geldanlage vom Geschlecht, der KI-Erfahrung und dem Finanzwissen der Nutzenden abhängen. Zwei Drittel der Unterschiede bei den empfohlenen Aktienanteilen gingen auf unterschiedlich formulierte Fragen zurück.
Das interne Modell „Astra“ soll nach Angaben von OpenAI mathematische Argumente für langjährige offene Probleme erzeugt haben. Die Ergebnisse reichen von Kugelpackung und Kodierungstheorie bis zu Quantenkomplexität und Gitterkryptografie.
Der Kommentarbereich wird geladen, sobald du ihn erreichst.