Frühere Projekte

Um eine Künstliche Intelligenz zur Mustererkennung zu trainieren, braucht es Daten – idealerweise viele davon. Die Verwendung von Rohdaten bringt dabei mitunter datenschutzrechliche Probleme mit sich, da sie sensible oder wettbewerbsrelevante Informationen enthalten können. Beispielsweise sind sensible PatientInnen-Informationen in medizinischen Daten zu finden oder wertvolle Produktionsinformationen in Industriedaten. Häufig werden diese sensiblen Daten von der KI allerdings gar nicht benötigt, da die Muster in den Daten trotzdem sichtbar werden. Homomorphes Machine Learning stellt sich genau dieser Herausforderung, wie auf anonymisierten Daten KI-Algorithmen trainiert werden können – und zwar mit ähnlich guten Ergebnissen wie beim Training mit Rohdaten.

Das Projekt SMILe ("Secure Machine Learning Applications with Homomorphically Encrypted Data") sucht neue Wege und Lösungen, um mit Hilfe von homomorpher Verschlüsselung das Potenzial von sensiblen Daten für maschinelles Lernen nutzbar zu machen. Dafür werden bestehende Plattformen erweitert, um kooperativ-kreative Ökosysteme zu schaffen, in denen Datenschutz und Sicherheit gewährleistet sind sowie auch das bisher ungenützte Potenzial von Daten ausgeschöpft werden kann.

VRVis steuert im Projekt SMILe seine Visualisierungs- und Visual Analytics-Expertise bei. VRVis visualisiert die Unterschiede in den KI-Ergebnissen mit den Rohdaten sowie den anonymisierten Daten und trägt durch visuelle Exploration dazu bei, den Blackbox-Charakter der Machine Learning-Modelle "einsehbar" sowie den Effekt der Verschlüsselung auf die Präzision der Mustererkennung nachvollziehbar zu machen und so das Vertrauen in die auf homomorph verschlüsselten Daten trainierte KI zu etablieren.