13. 03. 2025
Verfasst von: Jorge Marx Gómez, Jan-Philipp Awick, Gerrit Schumann

Datenschutz trifft KI – Sicherheit für sensible Daten

Die symbolische Grafik zeigt Leiterbahnen, die von Quadern ausgehen und in einem Fingerabdruck münden. Darauf liegen Vorhängeschlösser. — Föderiertes Lernen ermöglicht es, verteilte Daten für die Entwicklung eines KI-Modells zu nutzen, ohne dass diese Daten ihren jeweiligen Standort verlassen müssen. Das schützt sensible Daten.

Wie können KI-Modelle trainiert werden, ohne sensible Daten preiszugeben? Vor allem in Branchen wie Gesundheitsversorgung, Finanzwesen und Forschung ist der Datenschutz besonders relevant. Die Universität Oldenburg und das Deutsche Zentrum für Luft- und Raumfahrt erforschen sichere KI-Lösungen bei der Verarbeitung natürlicher Sprache und der Datenintegration. Die KI-Methode des föderierten Lernens erfolgt dezentral und bietet somit höhere Sicherheit und Datenqualität.

Federated Learning für sichere KI-Lösungen

Unternehmen stehen beim maschinellen Lernen vor vielen Herausforderungen, besonders wenn sensible Daten übertragen und verarbeitet werden müssen. Vor allem zentralisierte Lösungen für die Integration von Daten und Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) bergen Risiken beim Datenschutz und regulatorische Hürden, zum Beispiel bei den Zugriffsrechten. Um dieses Problem zu lösen, erforscht die Universität Oldenburg gemeinsam mit dem Deutschen Zentrum für Luft- und Raumfahrt den Einsatz von föderiertem Lernen (Federated Learning, FL) als innovative Methode.

KI-Training auf verteilten Geräten

Beim föderierten Lernen findet das Training von KI-Modellen auf mehreren lokalen Geräten statt, ohne den jeweiligen Datensatz an einen zentralen Server zu übertragen. Der Lernprozess erfolgt direkt auf den Endgeräten oder in den Rechenzentren der Unternehmen. Nur die lokal berechneten Modell-Updates eines neuronalen Netzes werden an eine zentrale Instanz übermittelt und in das globale Modell integriert. Die sensiblen Rohdaten verbleiben stets vor Ort, wodurch Datenschutzbestimmungen eingehalten und das Risiko von Datenlecks minimiert werden. „Federated Learning bietet gegenüber traditionellen Methoden klare Vorteile“, versichert Prof. Dr. Jorge Marx Gómez von der Universität Oldenburg. „Es verbessert die Datenhoheit, da Unternehmen ihre Daten lokal behalten und dennoch von optimierten Modellen profitieren.“

Die Grafik veranschaulicht die Unterschiede der Methoden mit Symbolen für Fabriken, lokale Daten und Netzwerke als fertiges KI-Modell. — Beim traditionellen maschinellen Lernen wird das KI-Modell mit einem zentralen Datensatz trainiert. Bei besonders sensiblen Daten ist das oft nicht zulässig. Im Gegensatz dazu verbleiben beim föderierten Lernen die Daten lokal am Standort. Das erhöht den Datenschutz.

Kooperationspartner für praktischen Einsatz gesucht

In der natürlichen Sprachverarbeitung NLP unterstützt föderiertes Lernen die Entwicklung domänenspezifischer Anwendungen, während es in der Datenintegration die Zusammenführung verschiedener Datenquellen erleichtert. Der Mehrwert zeigt sich in der verbesserten Datenqualität und höheren Sicherheit, was in Branchen mit hohen Datenschutzanforderungen entscheidend ist. „Die Methode eignet sich besonders für Unternehmen, die KI-Anwendungen mit sensiblen Daten umsetzen wollen, diese Daten aber aus rechtlichen Gründen nicht teilen können“, empfiehlt Jorge Marx Gómez. Das ist zum Beispiel für das Finanzwesen, die Gesundheitsversorgung und Forschung relevant. Das Projekt befindet sich aktuell in der Prototypenphase, wobei bereits verschiedene Anwendungsfälle umgesetzt werden. Das Team sucht Kooperationspartner, die den Einsatz von FL in der Datenintegration und der Textverarbeitung erproben wollen.