Im Rahmen des SC5, wird Mulytic umfangreiche Forschungsarbeiten zu lokal trainierten Modellen für die Vorhersage des Energiebedarfs an dezentralen KI-basierten Ladestationen durchführen. FL ermöglicht die Zusammenarbeit zwischen Ladestationen ohne den Austausch sensibler Daten, wodurch die Privatsphäre geschützt wird und Cybersicherheitsrisiken durch Dezentralisierung reduziert werden. Lokalisiertes Modelltraining erfasst regionale Energiebedarfsschwankungen, verbessert die Modellgenauigkeit und Anpassungsfähigkeit. Echtzeit-Optimierung durch FL ermöglicht Ladestationen, ihre Ladestrategien dynamisch anzupassen, was die Systemleistung verbessert. Gemäß dem aktuellen Stand der Technik, gibt es zwar erste Prototypen von FL-gestützten Ladestationen und EVIs in Forschungslabors und Versuchsumgebungen, aber die breite Einführung und der Einsatz sind noch in der Entwicklung. Nichtdestotrotz unterstreichen die laufenden Forschungsarbeiten, Kooperationsinitiativen und Prototyp-Demonstrationen das wachsende Interesse und die Dynamik in Bezug auf die Nutzung von FL für eine datenschutzfreundliche, anpassungsfähige und effiziente Ladeinfrastruktur in der Elektromobilitätslandschaft. Mulytic wird eine umfassende Bedarfsanalyse für lokal trainierte Modelle zur Vorhersage des Energiebedarfs an Ladestationen durchführen. In AP2 wird MULYTIC die gesamte Systemarchitektur der Ladestationen und deren Server auf der Grundlage der in AP1 gesammelten Anforderungen entwerfen. Zusätzlich wird sich Mulytic auf das Backend des EV-basierten Ökosystems konzentrieren, indem es einen sicheren Ansatz des Federated Learning für die Vorhersage des Energiebedarfs in EVIs einführt. Das entworfene Modell erhöht die Sicherheit und den Datenschutz der Daten auf Infrastrukturebene und verbessert die Effizienz des Energiemanagements. Die Implementierung und Integration des resultierenden Framework wird in AP4 und AP5 durchgeführt. Die abschließende Prüfung und Validierung wird in AP6 durchgeführt.