SMiLe - Secure Machine Learning Applications with Homomorphically Encrypted Data

Der Erfolg von Unternehmen hängt zunehmend von ihrer Fähigkeit ab, Daten zur Verbesserung ihrer Effizienz und zur Schaffung innovativer Angebote zu nutzen. Um dabei von den Möglichkeiten des maschinellen Lernens profitieren zu können, ist oft eine Zusammenführung von Daten über Organisationseinheiten und Unternehmensgrenzen hinweg nötig.

Besonders im Fall von sensiblen Daten ist das Teilen von Daten aber schlecht möglich, denn Gesetze wie die DSGVO verlangen das Ergreifen von Sicherheitsmaßnahmen und schränken die Nutzung und Weitergabe von Daten grundsätzlich ein. Zudem haben Unternehmen ein starkes Interesse daran, geistiges Eigentum zu schützen. Dieses sehen sie durch das Teilen von Daten mitunter gefährdet.

Es ist also wenig überraschend, dass ein Teil des Potenzials der Daten, die in Unternehmen erfasst und gespeichert werden, ungenutzt bleibt. Die Forscherinnen und Forscher im Projekt SMiLe wollen Wege aufzeigen, wie zukünftig ein größerer Teil dieses Potenzials ausgeschöpft werden kann.

Einen vielversprechenden Ansatz dafür bietet die sogenannte "homomorphe Verschlüsselung". Auf diese Weise verschlüsselte Daten sind vor unberechtigtem Zugriff geschützt, dennoch können sie für Berechnungen verwendet werden.

Die Ergebnisse von Berechnungen auf homomorph verschlüsselten Daten sind ebenfalls verschlüsselt und damit geschützt. Bisher gab es zu diesem Ansatz hauptsächlich theoretische Studien – in der Praxis fehlen Know-how und geeignete Software. SMiLe adressiert beide Aspekte und will damit eine wesentliche Voraussetzung für den praktischen Einsatz von maschinellem Lernen auf verschlüsselten Daten schaffen.

Das Potenzial des Ansatzes für maschinelles Lernen wird anhand von zwei Anwendungsfällen bewertet, die sich mit Mitarbeitersegmentierung bzw. vorausschauender Wartung von Maschinen befassen. Im Projekt werden sowohl technische als auch soziale, rechtliche und wirtschaftliche Fragen behandelt. Die Forscherinnen und Forscher bewerten Lösungsansätze nicht nur hinsichtlich ihrer Analysefähigkeiten, Leistung und Skalierbarkeit, sondern auch im Hinblick auf ihre Kosteneffizienz, Transparenz und Benutzerfreundlichkeit und vergleichen die Vor- und Nachteile des maschinellen Lernens auf verschlüsselten Daten mit alternativen Ansätzen.

SMiLe trägt dadurch zur Etablierung eines kooperativ-kreativen Ökosystems bei, in dem verschiedene Akteure vertrauensvoll, symbiotisch und eigenverantwortlich interagieren und bisher nicht vorstellbare Lösungen realisieren, bei denen nicht nur Datenschutz und Sicherheit gewährleistet sind, sondern auch ungenutzte Potenziale von Daten ausgeschöpft werden können.

Konsortialführung

Fraunhofer Austria Research GmbH

Weitere Konsortialpartner

• MCI Management Center Innsbruck Internationale Hochschule GmbH
• Software Competence Center Hagenberg GmbH
• VRVis Zentrum für Virtual Reality und Visualisierung Forschungs-GmbH
• CORE smartwork GmbH; Fill GmbH, Tributech Solutions GmbH

Fraunhofer Austria Research GmbH
Dr. Daniel Bachlechner
Theresianumgasse 7
A-1040 Wien