Privatsphärefreundliches maschinelles Lernen

Abstract

ZusammenfassungMaschinelle Lernverfahren finden seit einigen Jahren in immer mehr Bereichen vielfältige Anwendung, wodurch die Relevanz der dabei verwendeten Techniken deutlich wird. Unter dem Begriff des maschinellen Lernens (ML, oft auch „künstliche Intelligenz“) existieren zahlreiche Algorithmen, die unterschiedliche Komplexität und verschiedene Eigenschaften mit sich bringen. Für das Training dieser Algorithmen sind meist große Mengen an Daten notwendig. Insbesondere bei der Verwendung von personenbezogenen Daten stellen sich hierbei Fragen rund um den Datenschutz und die Privatsphäre von Betroffenen.Dies ist der erste Teil eines zweiteiligen Artikels zum Thema privatsphärefreundliches ML. Dieser erste Teil bietet einen leicht verständlichen Einstieg in das Thema des ML und geht dabei auf die wichtigsten Grundbegriffe ein. Außerdem werden einige der meistverwendeten ML-Verfahren, wie Entscheidungsbäume und neuronale Netze, vorgestellt. Im zweiten Teil, der in der kommenden Ausgabe des Informatik Spektrums erscheint, werden Privatsphäreangriffe und datenschutzfördernde Maßnahmen im Kontext von ML behandelt.

Das Qualitätssicherungs- und Deviceregister des Deutschen Instituts für Gefäßmedizinische Gesundheitsforschung der DGG im Zeitalter von COVID-19, Big Data und künstlicher Intelligenz

“…Fasst man die Entwicklungen der letzten zwei Jahrzehnte zusammen, ergibt sich eine große Chance, aber auch Herausforderung für wissenschaftsorientierte Registerinitiativen: die datenschutzkonforme und privatsphärefreundliche Sammlung von unverzerrten sowie validen Langzeitdaten zur Medizinprodukteevaluation [12][13][14][15]. Dabei sind über die beiden Reformen hinaus weitere Anpassungen des EU-Rechts zu berücksichtigen, die sich teilweise erst in den nächsten Jahren auswirken werden.…”