Föderiertes Lernen in SAP
Stand 2026-09-03
Federated Learning ist das Werkzeug, das ein unternehmensübergreifendes SAP-Modell möglich macht, wenn DSGVO, sektorale Regulierung oder eine vertragliche Datensouveränitäts-Klausel die Zentralisierung von Rohdaten blockiert — es ist kein universelles ML-Upgrade. Die entscheidende Frage ist algorithmisch: FedAvg divergiert bei den nicht-IID-Daten, die reale SAP-Tochtergesellschaften erzeugen, weshalb FedProx oder ein personalisiertes Modell der sichere Standard ist, gestützt auf sichere Aggregation statt Differential Privacy, sofern ein Regulator nicht ausdrücklich eine formale Privacy-Budget-Garantie verlangt. Berater, die diese Architektur entwerfen, den Datenschutz-Trade-off gegenüber der Rechtsabteilung verteidigen und sie auf SAP AI Core ausliefern können, gehören zum kleinen Pool, der diese unternehmensübergreifenden, regulierten Branchenprojekte leitet statt sie nur zu unterstützen.
Was Sie lernen
- Entwerfen Sie eine Federated-Learning-Architektur über mehrere SAP-Rechtseinheiten hinweg mit SAP AI Core und BTP Argo Workflows, indem Sie die Runden-Orchestrierungs-Pipeline, die Gradienten-Aggregationsstrategie und die Versionierung der Modellartefakte spezifizieren, um Non-IID-Datenverteilungen über Tochtergesellschaften hinweg zu bewältigen.
- Bewerten Sie die Datenschutzgarantien von Federated Learning mit und ohne Differential Privacy und Secure Aggregation, wenden Sie den ε-Datenschutzbudget-Trade-off auf realistische SAP-Datensatzgrößen an und beraten Sie Rechts- und Compliance-Stakeholder zu Restrisiken.
- Wählen und konfigurieren Sie den geeigneten FL-Algorithmus — FedAvg, FedProx, SCAFFOLD oder personalisiertes FL — für eine gegebene EMEA-SAP-Landschaft mit mehreren Einheiten, basierend auf Datenheterogenität, Netzwerktopologie und Anforderungen an die Modellqualität, und begründen Sie die Wahl gegenüber zentralisierten Alternativen.
- Identifizieren Sie die Bedingungen, unter denen Federated Learning nicht gerechtfertigt ist — darunter anonymisierbare Datensätze, SAP-Landschaften mit nur einer Instanz und winzige Datensätze je Client — und schlagen Sie korrekt einfachere Alternativen vor, etwa Datasphere-Datenföderation oder Differential Privacy auf aggregierten Exporten.
Das Problem, das Federated Learning in SAP-Landschaften löst
Federated Learning (FL) ist ein verteiltes Machine-Learning-Paradigma, bei dem ein Modell über mehrere Datenquellen hinweg trainiert wird, ohne dass die Rohdaten jemals ihren Ursprungsort verlassen. Das Modell — genauer: die Gradienten-Updates — wandert; die Daten nicht. Dieser Unterschied ist nicht nur technischer Natur. In SAP-Landschaften mit mehreren Rechtseinheiten ist er der Unterschied zwischen einem Projekt, das voranschreitet, und einem, das von der Rechtsprüfung gestoppt wird.
Betrachten Sie die Szenarien, denen ein Senior-Berater regelmäßig begegnet. Ein multinationaler Konzern mit SAP-S/4HANA-Instanzen in Deutschland, Frankreich und Polen möchte ein länderübergreifendes Churn-Prediction-Modell auf ACDOCA- und CRM-Daten aufbauen. Nach der DSGVO dürfen die personenbezogenen Daten französischer Kunden ohne ausdrückliche Einwilligung oder einen Angemessenheitsmechanismus nicht an einen zentralen Server in Deutschland übertragen werden. Ein Krankenhausnetzwerk, das SAP für die Beschaffung nutzt, möchte Einkaufsmusterdaten mit anderen Krankenhäusern bündeln, um die Bedarfsprognose zu verbessern — doch patientennahe Beschaffungsdaten unterliegen in jedem Mitgliedstaat sektorspezifischen Datenschutzregeln. Eine Finanzdienstleistungsgruppe mit rechtlich abgeschotteten Einheiten (Ring-Fencing) darf aufgrund regulatorischer Firewalls keine Rohhandelsdaten zwischen den Einheiten teilen, möchte aber ein einheitliches Betrugserkennungsmodell.
Voraussetzungen
- Praktische Erfahrung auf mittlerem Niveau in SAP-Analytics-Projekten
- Zunächst diese Kernkonzepte durcharbeiten: C087, C083, C047
Lernergebnisse
- Arbeiten Sie ein realistisches Szenario durch: Eine paneuropäische Finanzdienstleistungsgruppe mit rechtlich abgeschotteten Einheiten in drei Ländern möchte ein gemeinsames Betrugserkennungsmodell, darf aber Rohhandelsdaten rechtlich nicht bündeln.
- Erkennen und vermeiden Sie das Anti-Pattern: FL als automatischen DSGVO-Compliance-Mechanismus zu verkaufen — die Rechtsabteilung behandelt die Gradienten-Payloads trotzdem als personenbezogene Daten, und das Projekt bleibt in der Prüfung stecken.
- Wenden Sie die Kernentscheidung des Moduls an: Federated Learning vs. zentralisiertes Training — entscheiden Sie sich standardmäßig für zentralisiertes (anonymisiertes/aggregiertes) Training.
- Verfolgen Sie die Beherrschung anhand des KPI: Loss-Divergenz je Client (Ziel: stabil oder konvergierend innerhalb von 20 Runden; Warnsignal: Loss oszilliert oder divergiert über Runde 20 hinaus weiter).
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.