Definition

Ein Datenschutzbewahrender Klassifikator (PPC) ist ein maschinelles Lernmodell, das dafür konzipiert ist, Klassifizierungsaufgaben – also die Zuweisung von Bezeichnungen oder Kategorien zu Eingabedaten – durchzuführen, ohne dabei die zugrunde liegenden sensiblen Trainings- oder Inferenzdaten unbefugten Parteien offenzulegen. Er integriert fortschrittliche kryptografische oder algorithmische Techniken, um die Vertraulichkeit der Daten während des gesamten Lebenszyklus des Modells zu gewährleisten.

Warum es wichtig ist

In einer Ära strenger Datenschutzbestimmungen wie DSGVO und CCPA birgt die Verwendung roher, sensibler Daten für das Modelltraining erhebliche rechtliche und ethische Risiken. PPCs ermöglichen es Organisationen, die prädiktive Kraft der KI zu nutzen und gleichzeitig die strikte Einhaltung von Vorschriften zu gewährleisten und den Datenschutz der Nutzer zu schützen, was für den Aufbau von Kundenvertrauen entscheidend ist.

Wie es funktioniert

PPCs erreichen Datenschutz durch mehrere Kernmethoden. Diese Methoden ermöglichen Berechnungen auf Daten, ohne direkten Zugriff auf den Klartext zu haben. Zu den wichtigsten Techniken gehören:

• Föderiertes Lernen (FL): Anstatt Daten zu zentralisieren, wird das Modell an dezentralisierte Datensilos gesendet (z. B. Mobilgeräte oder Krankenhäuser). Lokale Modelle trainieren auf den privaten Daten, und nur aggregierte Modellaktualisierungen (Gradienten) werden an einen zentralen Server zur Aggregation zurückgesendet.
• Differenzielle Privatsphäre (DP): Während des Trainings wird strategisch Rauschen zu den Daten oder den Modellaktualisierungen hinzugefügt. Diese mathematische Garantie stellt sicher, dass die Anwesenheit oder Abwesenheit eines einzelnen Datenpunkts einer Person das Ergebnis des Modells nicht wesentlich verändert und somit individuelle Identitäten verschleiert.
• Homomorphe Verschlüsselung (HE): Dies ermöglicht es, Berechnungen (wie die Klassifizierungsinferenz) direkt auf verschlüsselten Daten durchzuführen. Die Daten bleiben verschlüsselt, selbst während der Klassifikator sie verarbeitet, und werden nur vom autorisierten Empfänger entschlüsselt.

Häufige Anwendungsfälle

PPCs sind in Sektoren von entscheidender Bedeutung, in denen die Sensibilität der Daten von größter Bedeutung ist:

• Gesundheitswesen: Klassifizierung medizinischer Bilder oder Patientenakten über mehrere Einrichtungen hinweg, ohne Rohdaten von Patienten weiterzugeben.
• Finanzen: Erkennung betrügerischer Transaktionen zwischen verschiedenen Banken, ohne proprietäre Transaktionsdetails preiszugeben.
• Mobile Anwendungen: Training personalisierter Empfehlungs- oder Spam-Erkennungsmodelle direkt auf Geräten der Nutzer.

Hauptvorteile

Zu den wichtigsten Vorteilen des Einsatzes von PPCs gehören eine verbesserte Einhaltung gesetzlicher Vorschriften, die Minderung von Datenpannenrisiken und die Möglichkeit, verteilte Datensätze zu nutzen, die ansonsten zu sensibel wären, um sie zu kombinieren.