Die zunehmende Bedeutung von KI für Unternehmen zeigt das Beratungsunternehmen McKinsey & Company auf. Sie prognostiziert für Unternehmen die keine KI-Technologien adaptieren, einen Cash-Flow Rückgang von bis zu 20%, wodurch wiederum ein Leistungsunterschied zu KI-Vorreitern entstehen könnte [Mc18]. U.a. deshalb assoziieren die Menschen mit dem Wort KI die Schlagwörter Effizienz und bessere Arbeitsergebnisse. Jedoch bestehen bei Anwender:innen auch negative Verbindung zu dieser Technologie, wie bspw. ein fehlender Datenschutz [Pr20]. In Konsequenz kann dies zu einer geringeren Akzeptanz in der Anwendung einer KI-Applikation sowie der Freigabe von Daten für die entsprechenden ML-Modelle führen. Sowohl aus Sicht von Privatpersonen bezüglich personenbezogener Daten, als auch aus Sicht sensibler Unternehmensdaten. „Damit Unternehmen das Potenzial neuer KI-Technologien gewinnbringend ausschöpfen können, ist die Verfügbarkeit relevanter Datenmengen in entsprechender Qualität eine wesentliche Herausforderung, die es zu bewältigen gilt.“ [Ab19, S.31].
[...] Somit bietet die branchen- und unternehmensübergreifende Veröffentlichung und Nutzung von Daten große Potenziale für die Güte von ML-Modellen. Jedoch werden besonders diese speziell benötigten Trainingsdaten von Unternehmen ungern veröffentlicht, da sie „dem Ausbau der eigenen Wettbewerbsfähigkeit dienen“ [Dö18, S.158].
Die erste Hälfte der vorliegenden Studie befasst sich mit dem Stand der Forschung zu dem Themengebiet Private AI. Dabei zielt eine Literaturrecherche darauf ab, ein grundlegendes Verständnis über die Idee von Private AI zu erlangen sowie Grundlagen zu den dazugehörigen wissenschaftlichen Grundkonzepte zu erarbeiten. Dieses Ziel wird von der folgenden Forschungsfrage geleitet:
Auf welchen wissenschaftlichen Grundkonzepten basiert die Idee von Private AI? (RQ1)
Hierauf basierend ist ein weiteres Ziel dieser Studie nach wissenschaftlich erforschten Ansätze des Private AI Prinzips zu recherchieren, zu analysieren und gegenüberzustellen. Die hierzu entwickelte Forschungsfrage lautet:
Welche Ansätze zu Private AI sind in der Wissenschaft erforscht? (RQ2)
Das abschließende Ziel beschäftigt sich mit den in der Praxis implementierten Ansätzen zu Private AI. Hierbei ist das Ziel zu analysieren, welche Implementierungen existieren, worauf sie basieren und ob sie öffentlich zugänglich sind:
Welche praktischen Implementierungen existieren zu dem Konzept von Private AI? (RQ3)
Inhaltsverzeichnis
- Einleitung
- Motivation
- Zielsetzung
- Aufbau der Studie
- Grundlegende Modelle zu Private AI
- Die Idee hinter Private AI
- Machine Learning
- Supervised Learning
- Unsupervised Learning
- Ensemble Learning
- Fully Homomorphic Encryption
- Secure Multi Party Computation
- Wissenschaftliche Ansätze zu Private AI
- Praktische Implementierungen des Private AI Ansatzes
- Gegenüberstellung der Implementierungen
Zielsetzung und Themenschwerpunkte
Diese Studie erforscht den aktuellen Stand der Forschung zum Thema Private AI. Ziel ist es, ein umfassendes Verständnis der Idee von Private AI zu gewinnen und die zugrundeliegenden wissenschaftlichen Konzepte zu beleuchten.
- Grundlegendes Verständnis von Private AI
- Analyse der wissenschaftlichen Grundkonzepte von Private AI
- Identifizierung und Vergleich von Ansätzen zu Private AI in der Forschung
- Analyse von praktischen Implementierungen von Private AI
- Bewertung der Zugänglichkeit und Funktionsweise der Implementierungen
Zusammenfassung der Kapitel
- Kapitel 2.1: Die Einleitung liefert eine umfassende Motivation und stellt die Forschungsfragen der Studie vor. Sie beleuchtet die Relevanz von Private AI im Kontext von Machine Learning und Datenschutz.
- Kapitel 2.2: Dieses Kapitel erläutert die grundlegenden Konzepte des Machine Learning, einschließlich der drei gängigen Trainingsansätze Supervised Learning, Unsupervised Learning und Ensemble Learning.
- Kapitel 2.3: In diesem Kapitel wird das Konzept der Fully Homomorphic Encryption (FHE) behandelt. FHE ermöglicht die Verarbeitung verschlüsselter Daten, ohne dass die Verschlüsselung aufgehoben werden muss.
- Kapitel 2.4: Das Kapitel stellt das Konzept der Secure Multi Party Computation (MPC) vor. MPC ermöglicht es, Berechnungen an Daten durchzuführen, die sich auf mehreren Parteien befinden, ohne dass die einzelnen Daten preisgegeben werden.
Schlüsselwörter
Die Studie fokussiert sich auf die Themen Private AI, Homomorphe Verschlüsselung, Machine Learning, Sichere Mehrparteienberechnung, ML Confidential, CryptoNets, SecureML, CryptoDL, XONN, CodedPrivateML, AWS Labs, PPXGBoost, Homomorphic Implementor's Toolkit, Meta AI, TF Encrypted, Zama, Concrete, CrypTen, TripleBlind, OpenMined, Syft.
- Citar trabajo
- Felix Entrup (Autor), 2022, Private AI. Ein Ansatz zur Verarbeitung sensibler Daten für Machine-Learning-Modelle, Múnich, GRIN Verlag, https://www.grin.com/document/1224769
