Sicherer Datenaustausch und Datensicherheit öffnen die Tür für den offenen Austausch in der Wissenschaft und Industrie. Dabei ist das Rechnen mit komplett verschlüsselten Daten zukunftsweisend.
Transfer Learning ermöglicht das Training verlässlicher KI-Modelle, trotz eines geringen Datenpools – eine sehr effiziente Methode, um in solchen Fällen trotzdem genaue Auswertungen zu erhalten. Dabei wird ein entsprechendes KI-Modell mit einem großen Datensatz vortrainiert und das gelernte Wissen auf den kleinen Datensatz transferiert. Das vortrainierte Modell muss nicht mehr komplett neu trainiert werden, sondern kann mit geringen Anpassungen und auch wenig Daten sehr genaue Ergebnisse liefern. Eine Schwachstelle ist hierbei jedoch wieder der Datenschutz.
Aus trainierten Modellen lassen sich die Trainingsdaten oft mit wenigen Schritten rekonstruieren. Sollte z. B. eine Firma ihren Zulieferern ein vortrainiertes Modell für ihre eigenen KI-Auswertungen zur Verfügung stellen wollen, besteht die Gefahr, dass die verwendeten Daten öffentlich werden. Das Know Center hat daher das Framework CrypotTL entwickelt.
Das Framework kombiniert Transfer Learning mit homomorpher Verschlüsselung, einer Verschlüsselungsmethode, die es erlaubt, mit komplett verschlüsselten Daten Berechnungen durchzuführen. Dabei wird von Beginn an mit komplett verschlüsselten Datensätzen und Modellen gearbeitet. CryptoTL schützt dabei nicht nur den großen Datensatz zum Vortrainieren eines Algorithmus oder den Algorithmus selbst, auch der kleine Datensatz wird nur verschlüsselt an das vortrainierte Modell geschickt. Dadurch werden Erkenntnisse ermöglicht, die ohne diese Herangehensweise aus Datenschutzgründen nicht greifbar wären.
Im Modell wird die sonst rechenintensive und eher ineffiziente homomorphe Verschlüsselung nur auf einen Teil des Algorithmus angewandt. Dadurch können auf kommerziellen Geräten wie Notebooks schnelle Laufzeiten von unter einer Sekunde erreicht werden. CryptoTL’s Anwendung bei tatsächlichen Use Cases steht somit nichts mehr im Wege.