Privatsphäre

Künstliche Intelligenz datenschutzkonform entwickeln

| Redakteur: Katharina Juschkat

Damit Künstliche Intelligenz intelligent wird, braucht sie Daten – doch die sind in vielen Bereichen sensibel. Die Technologie des Federated Learning bietet einen Lösungsansatz – ein Berliner Start-up hat dazu eine Plattform entwickelt.

Maschinelles Lernen benötigt viele Daten – um KI dennoch datenschutzkonform zu gestalten, gibt es die Federated-Machine-Learning-Technologie.
Maschinelles Lernen benötigt viele Daten – um KI dennoch datenschutzkonform zu gestalten, gibt es die Federated-Machine-Learning-Technologie.
(Bild: gemeinfrei / Pixabay)

So viele Potentiale die künstliche Intelligenz bietet, vor so viele Probleme stellt sie uns auch – beispielsweise beim Thema Datenschutz. Wie schwierig das Thema Datenschutz und Künstliche Intelligenz werden kann, zeigt ein aktuelles Beispiel aus der Medizintechnik.

KI muss datenschutzkonform werden

Wie wirksam KI im Medizinbereich sein kann, bewies vor kurzem ein KI-System von IBM, das in einem Versuch die DNA-Sequenzierung eines Gehirntumors schneller untersucht hat als ein ganzes Team menschlicher Experten. Ein guter KI-Algorithmus alleine ist allerdings noch nicht zielführend, es braucht genauso große Mengen qualitativ hochwertiger Patientendaten. Doch hier beginnen die Probleme.

Europäische Kliniken und Krankenhäuser dürfen aus gesetzlichen Gründen nicht einfach hochsensible Patientendaten austauschen oder zusammenführen. Gleichwohl ist die Verarbeitung und Nutzung von oftmals besonders schützenswerten Daten unerlässlich, um KI sinnvoll zu nutzen – die Frage ist also, wie man die Privatsphäre der Patienten während des gesamten Prozesses wahren kann.

Das Berliner Start-up Xain ist spezialisiert auf datenschutzkonforme künstliche Intelligenz und hat eine Plattform entwickelt, die KI mit dem dezentralen Ansatz „Federated Learning“ trainiert. Damit sollen die Privatsphären der Nutzer gewahrt werden.

Was ist Federated Learning?

Anstatt Daten in einem zentralen KI-Modell zu anonymisieren, zu aggregieren und zu speichern, trainiert die Federated-Learning-Technologie auf der Grundlage getrennt gehaltener Datenquellen viele KI-Modelle separat.

Die Technologie führt am Ende nur die Trainingsergebnisse der einzelnen Modelle zusammen und generiert aus dem erlernten Wissen aller Datenquellen ein übergeordnetes, optimiertes KI-Modell. So ist es möglich, dass die zugrundeliegenden Daten aus den unterschiedlichen Quellen in jeder Phase getrennt und privat bleiben und keine Anonymisierung oder Speicherung lokaler Daten in einer zentralen Datenbank erforderlich ist. Das wiederum vereinfacht den Einsatz von KI und reduziert die Kosten.

Start-up entwickelt datenschutzkonforme KI-Plattform

Die Xain AG hat mit diesem Hintergrund ihre Plattform „Xain“ entwickelt. Xain basiert auf der Federated-Learning-Technologie und kann damit datenschutzkonform KI-Anwendungen trainieren.

Es gibt bereits eine KI-Anwendung, die auf der Xain-Technologie basiert: „Andy“ ist eine Lösung zur automatisierten Rechnungsverarbeitung. Für Eingangsrechnungen konsolidiert Andy einzelne KI-Modelle verschiedener Quellen und sichert dadurch die Autonomie zugrundeliegender Daten in ihrer jeweiligen IT-Infrastruktur.

Andy ist so konzipiert, dass die Anwendung ihr Potenzial speziell im Zusammenspiel mit bestehenden ERP-Landschaften entfalten kann. Dies gilt insbesondere dann, wenn die trainierten Modelle zwischen verschiedenen Abteilungen oder auch zwischen Konzerngesellschaften konsolidiert werden.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46193157)