Mit der zunehmenden Menge an verfügbaren Daten in verschiedenen Formaten und Quellen wird die Data Integration zu einer zentralen Herausforderung für Organisationen und Unternehmen. Der Data Integration Prozess besteht aus folgenden Schritten: (1) Schema Matching, (2.1) Data Preparation, (2.2) Blocking, (2.3) Record Pair Comparison, (2.4) Classification, (2.5) Evaluation und (3) Data Fusion. Für die Umsetzung von Data Integration werden zunehmend Machine Learning Modelle verwendet.

Federated Learning ist ein neues Paradigma im Bereich Machine Learning, bei dem ein Modell kollaborativ mit mehreren Teilnehmern trainiert wird, ohne dass die Trainingsdaten der Teilnehmer an einer zentralen Stelle gespeichert werden müssen.

Für die Entwicklung eines Prototyps werden Daten zur Verfügung gestellt. Mit dem entwickelten Ansatz soll ein Benchmark mit einem Startup durchgeführt werden.

Das Ziel dieser Abschlussarbeit ist es, zu untersuchen, wie Federated Learning im Data Integration Prozess eingesetzt werden kann.

• Kenntnisse im Bereich Machine Learning sind von Vorteil
• Eigeninitiative
• Hohe Lernbereitschaft
• Strukturierte Arbeitsweise