„Vor allem für Anwendungen, die auf maschinellem Lernen beruhen und damit von großen Datenmengen besonders profitieren, wäre eine Zusammenführung von Daten über Organisationseinheiten und Unternehmensgrenzen hinweg wichtig“, sagt Daniel Bachlechner, Koordinator des Forschungsprojekts Smile und Leiter der Forschungsgruppe Advanced Data Analytics bei der Fraunhofer Austria Research ist.
(Quelle: Fraunhofer Austria Research)
Maschinelles Lernen funktioniert mit großen Datenmengen besonders gut. Allerdings können die Maschinendaten von Produktionsanlagen beispielsweise nicht nur eine erwünschte vorausschauende Instandhaltung ermöglichen, sondern sie könnten auch das Prozess-Know-How der Betreiber offenbaren. Diese Daten sind daher auf alle Fälle sensibel – und entsprechende Sicherheitsvorkehrungen unbedingt erforderlich, wenn diese Daten mit anderen Unternehmen geteilt werden sollten. Zudem lohnt es sich für ein einzelnes Unternehmen oft nicht, Know-How und Infrastruktur für die Anwendung entsprechender Verfahren aufzubauen. Aus diesen Gründen werden die Daten kaum geteilt und – wenn überhaupt – in erster Linie dort genutzt, wo sie erfasst wurden.
An Methoden, die eine sichere Verarbeitung von Daten erlauben, wird seit Jahren geforscht. Bisherige Ergebnisse zeigen, dass sich die sogenannte homomorphe Verschlüsselung von Daten – zumindest in der Theorie – dafür eignet, sicheres maschinelles Lernen auf sensiblen Daten zu ermöglichen. Ob und wie genau diese Methode auch in der Praxis sinnvoll eingesetzt werden kann, untersucht nun ein Konsortium aus mehreren Unternehmen und Forschungseinrichtungen in dem geförderten Projekt Smile unter der Leitung von Fraunhofer Austria Research. Patrick Lamplmair, CTO bei dem beteiligten Unternehmen Tributech Solutions, sieht diese Art der Verschlüsselung als Enabler für Datendienste in vertrauenswürdigen Ökosystemen, mit denen auch hochsensible Daten entlang der Wertschöpfungskette genutzt werden können.
Wie die Datenverschlüsselung funktioniert, erklärt Michael Rader, ein Mitarbeiter von Fraunhofer Austria Research, so: „Die Methode ist am ehesten mit einer undurchsichtigen Handschuhbox vergleichbar. Das bedeutet, jemand kann Gegenstände hineinlegen und die Box versperren und jemand anderer kann – indem er seine Hände in die Handschuhe steckt – mit den Gegenständen in der Box arbeiten, ohne sie dabei aber zu sehen.“ Es wurde bereits gezeigt, dass Berechnungen auf derart verschlüsselten Daten tatsächlich durchgeführt werden können, in der Praxis fehlen allerdings Know-how und geeignete Software. Das will das Forschungsteam nun ändern und so eine wesentliche Voraussetzung für den praktischen Einsatz von maschinellem Lernen auf verschlüsselten Daten schaffen. Dabei wird es vermutlich eine der größten Herausforderungen des Projekts sein, „eine überaus rechenintensive Anwendung, wie das maschinelle Lernen, mit einer ebenso rechenintensiven Form der Verschlüsselung, wie es bei homomorpher Verschlüsselung der Fall ist, effizient miteinander zu kombinieren“, erklärte Pascal Schöttle, assoziierter Professor am Management Center Innsbruck, das an diesem Projekt ebenfalls beteiligt ist. Das Projekt mit sieben Konsortialpartnern läuft seit April 2021 und endet im September 2023.
