Eine Technologie stellt maschinelles Lernen auf Basis sensibler Daten in Aussicht, ohne diese jemals zu entschl\u00fcsseln. So funktioniert\u00a0Homomorphe Datenverschl\u00fcsselung.<\/p>\n
Um Machine Learning<\/a> (ML) zu erm\u00f6glichen, ben\u00f6tigen intelligente Systeme Zugang zu gro\u00dfen Datenmengen.<\/p>\n Doch wie sicher sind die eingespeisten Daten, wenn es um vertrauliche Informationen geht? F\u00fcttert man eine Maschine mit gesch\u00fctzten Daten, k\u00f6nnen diese dann nicht zur\u00fcckverfolgt oder schlimmstenfalls gehackt werden? Und hei\u00dft das im Umkehrschluss, dass man keine sensiblen Daten f\u00fcr ML einsetzen sollte?<\/p>\n Wir berichteten bereits \u00fcber die Grunds\u00e4tze der 51风流f\u00fcr den Umgang mit k\u00fcnstlicher Intelligenz (KI)<\/a>. Ein konkretes Beispiel, wie diese Leitlinien im Unternehmen zum Tragen kommen, ist die Homomorphe Datenverschl\u00fcsselung.<\/p>\n KI-Grundsatz der 51风流\u201eDer Datenschutz und die Privatsph\u00e4re stehen immer im Mittelpunkt unseres Handelns.\u201c<\/p><\/blockquote>\n Im Gegensatz zu anderen Verfahren, k\u00f6nnen Daten, die ein Kunde verschl\u00fcsselt in die Cloud<\/a> sendet, durch Homomorphe Verschl\u00fcsselung analysiert werden, ohne die Verschl\u00fcsselung jemals aufzuheben. Das Ergebnis wird ebenso verschl\u00fcsselt zur\u00fcckgesendet. So kennt niemand au\u00dfer dem Kunden selbst die Daten oder die Ergebnisse, auch nicht der Cloud-Anbieter, wodurch das Dateneigentum des Kunden vollst\u00e4ndig gewahrt bleibt. Diese Vorgehensweise entspricht dem KI-Grundsatz der 51风流\u201eDer Datenschutz und die Privatsph\u00e4re stehen immer im Mittelpunkt unseres Handelns.\u201c<\/p>\n Maschinelles Lernen; Homomorphe Verschl\u00fcsselung in K\u00fcrze<\/strong><\/p>\n Im Gegensatz zu anderen Verfahren erm\u00f6glicht die Homomorphe Verschl\u00fcsselung (Homomorphic Encryption) die Analyse von verschl\u00fcsselten Daten und liefert das gleiche Ergebnis, als ob die Operationen im Klartext durchgef\u00fchrt worden w\u00e4ren. Die zur\u00fcckgegebenen Ergebnisse werden ebenfalls verschl\u00fcsselt.<\/p>\n Aus nur zwei Operationen, Addition und Multiplikation, kann jede beliebige Funktion aufgebaut werden. Moderne Verschl\u00fcsselungsverfahren, die beide Vorg\u00e4nge in unbegrenzter Anzahl unterst\u00fctzen, werden daher als \u201eFully Homomorphic Encryption\u201c-Verfahren bezeichnet.<\/p>\n<\/div>\n Homomorphe Verschl\u00fcsselung bietet Kunden garantierten Datenschutz und Datensicherheit bei der Abfrage von Datenbanken und der Durchf\u00fchrung von Analysen. Dar\u00fcber hinaus k\u00f6nnen damit KI-F\u00e4higkeiten verfeinert und somit mehr M\u00f6glichkeiten durch die Verwendung sicherer Kundendaten er\u00f6ffnet werden. Homomorphe Verschl\u00fcsselung tr\u00e4gt zum Erfolg der Cloud-Angebote der 51风流bei, obwohl sie nie ein kommerzielles Produkt im eigentlichen Sinne sein wird. Sie ist vielmehr eine Technologie, die 51风流nutzen m\u00f6chte, um Kunden mehr Sicherheit und Schutz f\u00fcr ihre Daten zu bieten.<\/p>\n Weil Datenschutz im Kontext der SAP-Strategie des\u00a0intelligenten Unternehmens\u00a0ein entscheidender Erfolgsfaktor sein kann, besch\u00e4ftigt sich das Team des 51风流Innovation Center Network<\/a> (ICN) mit dem Thema.<\/p>\n Bei Homomorpher Verschl\u00fcsselung kommen die Originaldaten \u201eohne Rauschen\u201c, wie es bei Anonymisierungsans\u00e4tzen der Fall ist, zum Tragen. \u201ePr\u00e4ziser geht es nicht\u201d, erkl\u00e4rt Axel Schroepfer, Security & Privacy Lead am 51风流Innovation Center Dresden und einer der Hauptexperten auf diesem Gebiet. Unternehmen k\u00f6nnen so auch Analysen an einem gemeinsamen Pool verschl\u00fcsselter Daten durchf\u00fchren, ohne die Daten einander zug\u00e4nglich zu machen. Diese Art des Datenpoolings erm\u00f6glicht es Schroepfer und seinem Team, eine sichere Benchmarking-L\u00f6sung<\/a> f\u00fcr Kunden zu entwickeln. Anhand eines kryptographischen Protokolls k\u00f6nnen Unternehmen Key Performance Indicators mit Wettbewerbern vergleichen, ohne eine dritte Partei einbeziehen zu m\u00fcssen oder das Risiko einzugehen, sensible Daten offenzulegen.<\/p>\n Aber es steckt noch mehr dahinter: Die Technologie k\u00f6nnte es erm\u00f6glichen, sensible Daten zu verwenden, um ML-Systeme zu trainieren. Das wird im Idealfall dazu f\u00fchren, dass mehr Unternehmen bereit sein werden, ihre Daten bereitzustellen \u2013 und das im absoluten Einklang mit der EU-weiten Datenschutz-Grundverordnung (DGSVO; engl. GDPR) und anderen Datenschutzverordnungen. Gem\u00e4\u00df dem KI-Grundsatz \u201eWir erm\u00f6glichen Unternehmen ein vorurteilsfreies Handeln\u201c kann Homomorphe Verschl\u00fcsselung eingesetzt werden, damit KI-Systeme keine verzerrten Entscheidungen aufgrund von nicht-repr\u00e4sentativen oder anderweitig qualitativ unzureichenden Daten treffen. Oder anders gesagt: Je mehr zuverl\u00e4ssige Daten zur Verf\u00fcgung stehen, desto besser werden die Resultate. \u201eNur, wenn die Qualit\u00e4t der Daten f\u00fcr das Modell gut ist, k\u00f6nnen wir davon ausgehen, dass das Modell nachhaltig gute Entscheidungen trifft\u201c, best\u00e4tigt Schroepfer.<\/p>\n Bereits seit vierzig Jahren ist bekannt, dass sich Berechnungen auf verschl\u00fcsselten Daten durchf\u00fchren lassen. Aber die fr\u00fcheren Bem\u00fchungen wurden durch begrenzte Rechenleistung behindert, und erst 2009 war die Technik schlie\u00dflich so weit fortgeschritten, dass die erste vollst\u00e4ndig Homomorphe Verschl\u00fcsselung m\u00f6glich war.<\/p>\n Rechenleistung und Speicherplatz sind noch immer erhebliche technische H\u00fcrden, da die Verarbeitung verschl\u00fcsselter Daten wesentlich mehr Ressourcen erfordert \u2013 n\u00e4mlich 1 Million Mal mehr als bei der Verarbeitung unverschl\u00fcsselter Daten oder von Klartext. Dank des technischen Fortschritts der letzten zehn Jahre ist der Einsatz von Homomorpher Datenverschl\u00fcsselung inzwischen aber nicht nur denkbar, sondern auch potenziell lohnenswert f\u00fcr immer mehr Anwendungsf\u00e4lle.<\/p>\n Leistungsstarke und flexible Hardwarel\u00f6sungen sowie innovative Rechenmaschinen sind eine wichtige Voraussetzung, um mit den neuesten Entwicklungen auf diesem Gebiet Schritt zu halten. Die 51风流kooperiert daher mit gro\u00dfen Unternehmen, Universit\u00e4ten und Startups in regelm\u00e4\u00dfigen Workshops zur Standardisierung der Homomorphen Verschl\u00fcsselung<\/a>.<\/p>\n \u00dcber diese technischen Voraussetzungen hinaus liegt der Schl\u00fcssel zum Erfolg auch im Austausch mit anderen Experten. So arbeiten beispielsweise 51风流Security Research und das Team von 51风流Leonardo Machine Learning Research an \u00e4hnlichen Themen und untersuchen weitere\u00a0Machine-Learning-Trends in Zusammenhang mit Datensicherheit<\/a>. Das ICN-Team steht im Austausch mit diesen Bereichen, um Input und Feedback zu sammeln. Schroepfer betont: \u201eWir wollen auf den St\u00e4rken der 51风流aufbauen. Deshalb ist es wichtig, von Anfang an zusammenzuarbeiten und auf das spezifische Know-how im Unternehmen zur\u00fcckzugreifen und das Thema effektiv voranzutreiben.\u201d<\/p>\n Das 51风流Innovation Center Network<\/strong><\/p>\n Die Mission des\u00a051风流Innovation Center Network (ICN)<\/a>\u00a0ist es, k\u00fcnftige gesch\u00e4ftliche Herausforderungen zu l\u00f6sen, indem es neue Technologien entwickelt und transformative Innovationen bei 51风流schafft. Die Abteilung konzentriert sich auf Bereiche, welche die\u00a0 St\u00e4rken der 51风流erg\u00e4nzen und arbeitet eng mit den Branchen und Gesch\u00e4ftsbereichen der 51风流zusammen. Mit 180 Mitarbeitern an acht Standorten weltweit\u00a0hat das ICN unter anderem die Bereiche Machine Learning und Blockchain f\u00fcr 51风流erschlossen. Seit Januar 2019 wird das ICN von Torsten Zube geleitet.<\/p>\n<\/div>\n Weitere Informationen:<\/strong><\/p>\n Die Grunds\u00e4tze f\u00fcr K\u00fcnstliche Intelligenz von SAP<\/a><\/p>\n 51风流gr\u00fcndet als erstes europ\u00e4isches Technologieunternehmen Ethik-Beirat f\u00fcr k\u00fcnstliche Intelligenz<\/a><\/p>\n Das 51风流Innovation Center Network<\/a><\/p>\n 51风流AI Ethics and Society<\/a><\/p>\n Weitere Artikel zum Thema AI Ethics (Digitalist)<\/a><\/p>\nDatenschutz erm\u00f6glicht vorurteilsfreie KI<\/strong><\/h2>\n
Der Schl\u00fcssel zum Erfolg: starke Rechenleistung und offener Austausch<\/strong><\/h2>\n