{"id":1328,"date":"2022-05-06T08:59:41","date_gmt":"2022-05-06T06:59:41","guid":{"rendered":"https:\/\/blog.eprivacy.eu\/?p=1328"},"modified":"2022-05-06T08:59:41","modified_gmt":"2022-05-06T06:59:41","slug":"foederales-maschinelles-lernen-und-der-datenschutz-neue-moeglichkeiten","status":"publish","type":"post","link":"https:\/\/blog.eprivacy.eu\/?p=1328&lang=de","title":{"rendered":"F\u00f6derales maschinelles Lernen und der Datenschutz – neue M\u00f6glichkeiten?"},"content":{"rendered":"\n

F\u00f6derales Lernen ist ein neuer Ansatz des maschinellen Lernens<\/strong>, bei dem ein Algorithmus auf lokalen Ger\u00e4ten (bspw. Smartphones) angewendet und trainiert wird. Der Algorithmus und die Datens\u00e4tze werden lediglich dezentral auf lokalen Ger\u00e4ten gespeichert. F\u00f6derales Lernen erm\u00f6glicht, gro\u00dfe Datenmengen zu analysieren und dabei die ben\u00f6tigten Daten lokal zu speichern und zu verarbeiten. Nur die Parameter des Trainingsmodells werden mit einem zentralen Modell ausgetauscht.

Herk\u00f6mmliche Techniken des maschinellen Lernens beruhen meist auf einer zentralisierten Datenspeicherung, bei der lokale Ger\u00e4te ihre Daten in eine Cloud hochladen. In vielen Beispielen hat das maschinelle Lernen Schwierigkeiten, die zunehmenden Datenschutz- und Datensicherheitsanforderungen zu erf\u00fcllen.
Die DSGVO<\/strong> hat beispielweise 7 Anforderungen<\/strong> und Grunds\u00e4tze f\u00fcr den Betrieb von KI-Anwendungen festgelegt:<\/p>\n\n\n\n

  1. KI darf Menschen nicht zum Objekt machen<\/li>
  2. KI darf nur f\u00fcr verfassungsrechtlich legitimierte Zwecke eingesetzt werden und das Zweckbindungsgebot nicht aufheben<\/li>
  3. KI muss transparent, nachvollziehbar und erkl\u00e4rbar sein<\/li>
  4. KI muss Diskriminierungen vermeiden<\/li>
  5. F\u00fcr KI gilt der Grundsatz der Datenminimierung<\/li>
  6. KI braucht Verantwortlichkeit<\/li>
  7. KI ben\u00f6tigt technische und organisatorische Standards<\/li><\/ol>\n\n\n\n

    Der Grundsatz der Datenminimierung steht im Gegensatz zum maschinellen Lernen. Das Hauptziel des maschinellen Lernens ist es, so viele Daten wie m\u00f6glich zu erhalten, damit intelligente Entscheidungen getroffen werden k\u00f6nnen. F\u00f6derales Lernen speichert und trainiert personenbezogene Daten nur auf lokalen Ger\u00e4ten und tauscht keine personenbezogenen Daten mit einer zetralen Cloud aus.Es gibt eine Reihe von Privacy Preserving Technologies (PPTs), um die Datensicherheit f\u00fcr Nutzer zu gew\u00e4hrleisten. Zu diesen Verschl\u00fcsselungstechniken geh\u00f6ren Datenaggregation und erweiterte Kryptografie: data anonymization, differential privacy, secure multi-party computation (SMC), and homomorphic encryption.<\/p>\n\n\n\n

    Die DSGVO regelt nur die Verwendung von personenbezogenen Daten. Wenn es sich um eine rechtlich-sichere Datenanonymisierung handelt, f\u00e4llt die DSGVO nicht mehr ins Gewicht. In der Praxis ist die rechtliche Anonymisierung von Daten sehr schwer zu erreichen, da die meisten Anwendungen eine ID (Identifier) ben\u00f6tigen.
    F\u00f6derales Lernen ist eine m\u00f6gliche L\u00f6sung, um das Risiko von Datenschutzverletzungen zu mindern und die Datensicherheit zu steigern. Diese Technologie ist jedoch noch recht neu und befindet sich in einem fr\u00fchen Anfangsstadium.<\/p>\n\n\n\n

    ePrivacy <\/strong>ist Teil eines gro\u00dfen Forschungsprojekts<\/strong>, das vom Bundesministerium f\u00fcr Bildung und Forschung<\/strong><\/a> gef\u00f6rdert wird. Ziel dieses Forschungsprojektes ist es, in Zusammenarbeit mit der Universit\u00e4t Hamburg<\/strong>und der Medizinischen Universit\u00e4t Greifswald<\/strong>, Datentreuhandmodelle im Bereich der verteilten k\u00fcnstliche Intelligenz in der Medizin zu erforschen und zu erproben. Eine gro\u00dfe Menge an medizinischen Daten kann, aufgrund hoher Datenschutzanforderungen, nur sehr eingeschr\u00e4nkt genutzt werden. Diese hochsensiblen Daten sind f\u00fcr die Arzneimittel- und Therapieforschung unerl\u00e4sslich. Das Forschungsprojekt besch\u00e4ftigt sich mit der datenschutzkonformen Verarbeitung gro\u00dfer medizinischer Daten in Deutschland und ist ein Beitrag zur europ\u00e4ischen Datenstrategie<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

    F\u00f6derales Lernen ist ein neuer Ansatz des maschinellen Lernens, bei dem ein Algorithmus auf lokalen Ger\u00e4ten (bspw. Smartphones) angewendet und trainiert wird. Der<\/p>\n

    Read More<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[10],"tags":[],"_links":{"self":[{"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/posts\/1328"}],"collection":[{"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1328"}],"version-history":[{"count":1,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/posts\/1328\/revisions"}],"predecessor-version":[{"id":1329,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=\/wp\/v2\/posts\/1328\/revisions\/1329"}],"wp:attachment":[{"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1328"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1328"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.eprivacy.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1328"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}