Homomorphe Verschlüsselung: Wie lernt KI aus Daten, die verschlüsselt bleiben?

Eine Bank möchte KI einsetzen, um Betrug zu erkennen. Eine Behörde möchte Zensusdaten mit einem KI-Modell analysieren. In beiden Fällen stellt sich dieselbe Frage, die ein Projekt oft schon vor dem Start ausbremst: Wie trainiert man dieses Modell, ohne die sensiblen Daten aus der Kontrolle der Organisation zu geben?

Das Dilemma zwischen sensiblen Daten und KI

Das Training eines KI-Modells bedeutet normalerweise, dass das Modell – und wer es betreibt – die Daten sehen kann, mit denen es lernt. Bei personenbezogenen, finanziellen oder Gesundheitsdaten entsteht dadurch ein Risiko, das viele Organisationen lieber vermeiden, selbst wenn der Technologieanbieter vertrauenswürdig ist. Die übliche Alternative, diese Daten von der KI fernzuhalten, lässt einen erheblichen Teil des Nutzens ungenutzt, den die Technologie bieten könnte.

Was ist homomorphe Verschlüsselung, einfach erklärt?

Homomorphe Verschlüsselung ermöglicht Berechnungen auf Daten, die während des gesamten Prozesses verschlüsselt bleiben. Einfach gesagt: Das KI-Modell lernt aus den Informationen, die für jeden, der sie verarbeitet, jederzeit verschlüsselt bleiben.

Das unterscheidet sich vom Verschlüsseln gespeicherter Daten, die zur Verarbeitung entschlüsselt werden. Hier findet die Verarbeitung selbst auf den verschlüsselten Daten statt, von Anfang bis Ende.

Welche Genauigkeit gewinnt man, und was bleibt gleich?

Die naheliegende Frage ist, ob diese Methode die Qualität des resultierenden Modells beeinflusst. Bei Produkten wie Privacy von Xcapit entspricht die Genauigkeit eines auf verschlüsselten Daten trainierten Modells der eines mit Klartextdaten trainierten Modells: Der Unterschied liegt im Prozess, das Endergebnis bleibt erhalten.

Wo wird sie bereits eingesetzt?

Banken und Fintechs nutzen sie, um bei der Betrugserkennung zwischen Instituten zusammenzuarbeiten und dabei die Kundendaten unter der Kontrolle des jeweiligen Instituts zu behalten. Behörden nutzen sie, um Zensus- oder Steuerdaten zu analysieren und die Kontrolle über die Informationen innerhalb ihrer eigenen Systeme zu behalten.

Verarbeitet Ihre Organisation sensible Daten und erwägt sie, heute KI einzusetzen? Dies ist eine der Architekturentscheidungen, die man vor der Wahl des Anbieters treffen sollte.