Naukowcy zastosowali federated learning do przewidywania zużycia narzędzi CNC, rozwiązując problem niemożności dzielenia się danymi produkcyjnymi między organizacjami. W tradycyjnym podejściu do machine learning konieczne byłoby przesyłanie wrażliwych danych operacyjnych do centralnego serwera, co napotyka na bariery bezpieczeństwa i regulacyjne w przemyśle. Federated learning pozwala trenować modele wspólnie bez transferu surowych danych - każda maszyna lub fabryka trenuje lokalnie, a następnie wymienia się wyłącznie parametrami modelu.
Badacze symulowali scenariusz rozproszony, gdzie trajektorie narzędzi były rozpowszechniane między wirtualnymi klientami. Porównali wydajność modeli federated z referencyjnymi systemami centralizowanymi oraz bazowymi modelami lokalnymi działającymi na pojedynczych maszynach. Wyniki pokazały, że federated learning osiąga dokładność zbliżoną do tradycyjnego uczenia centralnego, jednocześnie znacznie przewyższając modele trenowane wyłącznie na danych lokalnych.
Oznacza to znaczący przełom dla branży CNC, gdzie zużycie narzędzi bezpośrednio wpływa na jakość produktu i koszt produkcji. Metodę można wdrożyć w rzeczywistych środowiskach produkcyjnych, umożliwiając współpracę między fabrykami bez konieczności ujawniania poufnych informacji o procesach obróbki. To podejście otwiera możliwość budowania zdolności predykcyjnych wspieranej sztuczną inteligencją w całych sieciach produkcyjnych przy jednoczesnym zachowaniu suwerenności danych każdej organizacji.