Federated Learning als Plattform
Das Modell reist zu den Daten. Nicht umgekehrt.
Trainieren Sie Ihr ML-Modell über tausende Installationen hinweg, ohne eine einzige Zeile Daten zu bewegen. Keine Ingestion-Pipelines, keine Speicherkosten, kein Datenschutzrisiko. Ausgeliefert als eine Import-Zeile oder ein Docker-Container.
Warum es sich lohnt
Federated Learning ist nicht nur sicherer. Es ist wirtschaftlicher.
Keine Datenbewegung
Keine Terabytes hochladen, keine Ingestion-Pipelines, keine zentralen Speicherkosten. Das Modell kommt zu den Daten, nicht die Daten zum Modell.
Daten, die Sie nie nutzen durften
Rechtlich oder praktisch isolierte Daten über Kunden, Standorte und Unternehmen hinweg werden trainierbar, ohne sie jemals zusammenzuführen.
Updates ohne Release
Ein verbessertes Modell rollt automatisch auf die gesamte Flotte aus. Kein Release-Zyklus, kein manuelles Deployment beim Kunden.
So funktioniert's
Die Daten bleiben. Das Wissen wächst.
Federated Learning klingt kompliziert. Das Prinzip ist einfach und in vier Schritten erklärt.
01
Ihre Daten bleiben vor Ort
Die Daten Ihrer Kunden verlassen niemals deren Geräte oder Server. Kein Upload, kein zentraler Datenpool, kein Risiko.
02
Das Modell lernt lokal
In geplanten Trainingsfenstern trainiert jede Installation Ihr Modell mit den Daten vor Ort. Nachts, im Leerlauf, ohne den Betrieb zu stören.
03
Nur der Lernfortschritt reist
Statt Daten werden nur winzige Modell-Updates in die Cloud geschickt. Verschlüsselt, anonymisiert und um Größenordnungen kleiner als die Daten selbst.
04
Alle profitieren
Der Server in der Cloud führt die Updates zusammen und verteilt das verbesserte Modell an alle zurück. Jeder profitiert vom Wissen aller, ohne etwas preiszugeben.
Die Plattform
Alles rund um Ihr Modell. Fertig gebaut.
Sie bringen das Modell. Die Plattform übernimmt den Rest: Orchestrierung, Versionierung, Ausrollen und Beobachtbarkeit über die gesamte Flotte.
Upload-Assistent
Modell hochladen, erkannte Trainings-Funktionen bestätigen, fertig. Kein Umschreiben Ihres Codes.
Trainingsfenster
Sie legen fest, wann trainiert wird. Zum Beispiel nachts von 2 bis 4 Uhr, mit Audit-Log.
Promote & Rollback
Neue Modellversionen gehen erst live, wenn Sie es entscheiden. Rollback mit einem Klick.
Flotten-Übersicht
Welche Installation nutzt welche Version, wer hat trainiert, wem geht es schlecht. Anonymisiert.
Fertige Artefakte
Python-SDK oder Docker-Container, vorkonfiguriert mit Zugangsdaten. Herunterladen und ausliefern.
Lokale Inferenz
Das Artefakt trainiert nicht nur, es stellt das Modell auch lokal bereit. Updates rollen automatisch aus.
Integration
Eine Import-Zeile. Oder ein Container.
Ihr Entwicklungsteam integriert die Plattform in Minuten, nicht in Wochen. Zwei Wege, gleiches Ergebnis.
# installieren
pip install flp-client
# verbinden und starten
import flp
client = flp.Client(enrollment_key="flp_ek_…")
client.serve() # trainiert in Fenstern, liefert Vorhersagen lokal
prediction = client.predict(sample)Beide Wege enthalten Training, lokale Inferenz und automatische Modell-Updates. Für Apps ohne Python liefert der Container eine lokale REST-Schnittstelle.
Datensouveränität
Souveränität ist hier keine Option. Sie ist die Architektur.
01
Daten verlassen nie den Client
Weder für das Training noch für Vorhersagen. Nur verschlüsselte Modell-Updates reisen, um Größenordnungen kleiner als die Daten.
02
Planbar und auditierbar
Training läuft in von Ihnen definierten Fenstern. Jedes Fenster, jede Runde, jede Modellversion ist protokolliert.
03
Anonyme Client-IDs
Jede Installation erhält eine zufällige Kennung. Die Zuordnung zu realen Standorten liegt allein bei Ihnen, wenn Sie sie überhaupt führen.
04
Betrieb in der EU
Plattform und Modell-Speicher laufen in der Region Frankfurt, verschlüsselt im Ruhezustand und beim Transport.
Wir besitzen zu keinem Zeitpunkt eine Zuordnung zwischen Client-IDs und realen Personen oder Standorten. Wir könnten Ihre Nutzer nicht deanonymisieren, selbst wenn wir dazu aufgefordert würden.
Preise
Fair, nach der Größe Ihrer Flotte.
Kostenlos starten. Zahlen Sie erst, wenn Ihre Föderation wächst. Der Preis richtet sich nach der Anzahl Ihrer Clients und Modelle, nicht nach der Menge Ihres Trainings.
Free
1 Modell
bis 10 Clients
- Voller Funktionsumfang der Plattform
- Zugang zur Community-Föderation
- Betrieb in der EU
Node
3 Modelle
bis 100 Clients
Alles aus Free, plus:
- Promote & Rollback, Trainingsfenster
- Flotten-Übersicht und Rundenverlauf
- E-Mail-Support
Cluster
10 Modelle
bis 1.000 Clients
Alles aus Node, plus:
- Audit-Logs und Flotten-Analytics
- Benachrichtigungen bei fehlgeschlagenen Fenstern
- Priorisierter Support
Constellation
Unbegrenzte Modelle
Unbegrenzte Clients
Alles aus Cluster, plus:
- SLA und dedizierter Support
- SSO und erweiterte Rollen
- On-Premise-Optionen auf Anfrage
* Richtpreise. Finale Tarife auf Anfrage. Training ist in allen Tarifen im Rahmen fairer Nutzung enthalten.
Die Community-Föderation
Bald verfügbarVeröffentlichen Sie Ihr Modell in der Community: andere nutzen es kostenlos, und im Gegenzug trainieren deren Clients es für Sie. So wächst Ihr Modell schneller, als Sie allein je Daten sammeln könnten. Ausgewählte Premium-Modelle können kostenpflichtig angeboten werden.
Sie geben Ihr Modell
↓
Deren Clients trainieren es für Sie
FAQ
Häufige Fragen
Alles, was das Flower-Ökosystem unterstützt: PyTorch, TensorFlow, scikit-learn, XGBoost und mehr. Ihr Modell muss nur zwei Funktionen bereitstellen, Training und Auswertung. Unser Upload-Assistent findet sie in der Regel automatisch.
Ehrliche Antwort: Die Modellgewichte liegen auf jedem Client, das ist das Funktionsprinzip von Federated Learning. Behandeln Sie die Architektur wie ausgelieferten Code. Was geschützt bleibt, sind die Daten Ihrer Kunden und die zentrale Trainings-Historie.
Wenn ein Client das Modell trainieren kann, kann er es auch nutzen. Training ist der anspruchsvollere Teil und läuft in geplanten Fenstern. Der Upload-Assistent prüft die Machbarkeit Ihres Modells vor dem Ausrollen.
Noch nicht. Version 1 unterstützt alles, worauf Python oder Docker läuft: Server, Edge-Geräte, Workstations. Mobile Clients (iOS, Android) stehen auf der Roadmap.
Es gibt einen kostenlosen Tarif mit einem Modell und einer begrenzten Anzahl Clients. Darüber hinaus zahlen Sie monatlich, gestaffelt nach Anzahl der Clients. Details finden Sie im Bereich Preise.
Die Architektur ist darauf ausgelegt: Daten bleiben beim Betroffenen, es existiert kein zentraler Datenpool, Client-IDs sind für uns anonym, und der Betrieb läuft in der EU. Die Verantwortung als Verantwortlicher im Sinne der DSGVO bleibt bei Ihnen; wir liefern die technische Grundlage und die Dokumentation dazu.
Werden Sie Teil
Werden Sie Teil der Föderation.
Erzählen Sie uns kurz, was Sie vorhaben. Wir richten Ihren Zugang ein und melden uns innerhalb von zwei Werktagen.
Auf dem Laufenden bleiben
Produkt-Updates und Einblicke in Federated Learning. Selten, aber substanziell.
Abmeldung jederzeit möglich. Keine Weitergabe an Dritte.