KI News: Kurz und klar.

Die Feinabstimmung großer Sprachmodelle (LLMs) für spezielle Fachgebiete steht vor einer zentralen Hürde: vielfältige, organisationsübergreifende Daten sind nötig, doch Datenschutz und Datenhoheit verhindern deren Austausch. Federated Learning (FL) löst das Problem, indem Modelle gemeinsam trainiert werden, ohne Rohdaten zu teilen. Die klassische, zentralisierte Variante birgt jedoch einen einzigen Ausfallpunkt und bleibt anfällig für Modellinversionsangriffe.

Monte‑Carlo‑Tree‑Search (MCTS) hat sich als leistungsstarkes Werkzeug für die Lösung komplexer Planungsaufgaben etabliert, indem es die Upper Confidence Bound for Trees (UCT) nutzt, um Exploration und Exploitation zu balancieren. In Multi‑Agenten‑Planung stößt MCTS jedoch auf ein enormes combinatorisches Aktionsraumproblem: die Anzahl möglicher Aktionskombinationen wächst exponentiell mit der Agentenzahl, was zu einem exponentiell steigenden Zweigfaktor führt und die effiziente Suche stark erschwert.