Aktuell ist maschinelles Lernen noch sehr von großen Datenzentren abhängig. Die künstliche Intelligenz direkt auf EDGE-Geräten zu implementieren, bringt dementgegen Vorzüge in Datenschutz und Effizienz. Generell stehen dabei aber zwei Probleme im Weg: Batteriebetriebene Geräte haben ein eher begrenztes Energiebudget; eine leistungsstarke Grafikkarte, die im Hintergrund aktiv wäre, würde dieses Budget schnell sprengen. Das gilt vor allem für Geräte und Anwendungen, die dauerhaft in Betrieb sind, wie beispielsweise eine Spracherkennung oder eine Kamera im Auto.
Beim zweiten Problem handelt es sich darum, dass für maschinelles Lernen große Datensätze benötigt werden, die auf einem normalen EDGE-Gerät keinen Speicherplatz finden würden. Momentan können nur Cloud-Anbieter Datenmengen speichern, die sich für maschinelles Lernen eignen. Dies führt allerdings zu Datenschutz- und Sicherheitsbedenken: Niemand möchte beispielsweise rohe Audiodateien direkt in die Cloud eines der großen Spracherkennungsanbieter schicken.
SEC-Learn soll diese Probleme überwinden. Für die Energieeffizienz werden Geräte benötigt, die Datenverarbeitung lokal bewältigen können und energieeffiziente dedizierte Schaltungen für neuronale Netze nutzen. Dafür entwickelt das Fraunhofer IIS einen neuromorphen Chip, der wesentlich energiesparsamer als herkömmliche Chips arbeitet. Das andere Problem, also wie man die Daten, die lokal entstehen, bei hohen Sicherheitsstandards in einer Cloud zusammenführt, wird durch das Federated Learning behoben. Damit müssen keine Rohdaten, sondern nur die Änderungen der Modelle weitergegeben werden.