Privacy Enhancing Technologies - Daten schützen und trotzdem nutzen: die Quadratur des Kreises

Die Forschung ist auf Daten angewiesen, doch Daten sammeln verletzt die Privatsphäre. Kein unauflösbares Dilemma: Es gibt technische Tricks, wie man Daten nutzen und zugleich schützen kann.

Die Wissenschaft kann mit Daten unser Leben besser machen: Sie entwickelt neue Medikamente, analysiert soziale Trends oder schafft Smart Citys. Auch Verwaltung und Unternehmen sind auf Daten angewiesen, etwa um den ÖV oder das Stromnetz zu planen.

Private Daten können aber sensibel sein, deshalb dürfen sie nicht so einfach gesammelt und geteilt werden.

Daten sammeln, ohne gleichzeitig die Privatsphäre zu verletzen? Das klingt wie ein unlösbarer Widerspruch. Doch es gibt die Quadratur des Kreises.

Synthetisch statt anonym

Traditionell werden Daten anonymisiert, damit sie Forschende sicher auswerten können. Aus «Frau Schmid» wird «Frau Meier», die Telefonnummer wird zu «079 *** ** **». Doch die Anonymisierung stösst an Grenzen: Zu jedem Menschen gibt es heute zahlreiche Daten, die man ohne viel Aufwand mit Informationen aus dem Internet verknüpfen kann, um eine Person zu identifizieren.

Genetische Daten lassen sich nicht so einfach anonymisieren

In der modernen Medizin möchte man nicht mehr nur wissen, ob ein Medikament bei neun von zehn Patienten wirkt. Man möchte wissen, bei wem es wie wirkt: Welches Enzym muss vorhanden sein, welche genetische Signatur hat welchen Einfluss? Dafür braucht es Unmengen von sensiblen Daten.

imago images

Abhilfe schaffen synthetische Daten . Eine künstliche Intelligenz (KI) schaut sich die Ursprungsdaten an und lernt, wie sie aussehen. Dann generiert sie einen neuen, erfundenen Datensatz, der gleich aussieht: Die Telefonnummern haben immer noch 10 Ziffern und das Verhältnis zwischen Frauen und Männern ist dasselbe wie in den Originaldaten.

Forschende können synthetischen Daten verwenden, um Statistiken zu erstellen. Informatiker nutzen sie, um eine Software oder Datenbank zu bauen.

Komplett verschlüsselt

Eine weitere Möglichkeit, wie Daten geschützt werden können, ist Verschlüsslung. Daten können so gespeichert oder versandt werden, ohne dass sie Unbefugte anschauen können. Das Problem: Damit Forschende mit den Daten arbeiten können, müssen sie entschlüsselt werden – und sind währenddessen ungeschützt.

Nicht so bei der homomorphen Verschlüsslung . Dieser mathematische Trick ermöglicht, dass man mit so veränderten Daten weiterhin rechnen kann: Addiert man zwei homomorph verschlüsselte Zahlen, ergeben sie das richtige Resultat – in ebenfalls verschlüsselter Form.

Eine Lösung aus Lausanne

Homomorphe Verschlüsslung ist nicht trivial. Ein Spin-Off der EPFL (ETH Lausanne) namens Tune Insight will Spitäler bei der Umsetzung unterstützen.

Man leistet dabei Pionierarbeit: Die Gespräche mit den kantonalen Datenschutzämtern, denen die Unispitäler unterstellt sind, haben Jahre gedauert. Das mathematische Prinzip musste erklärt und die Softwarelösung auf Herz und Nieren geprüft werden.

Mittlerweile konnte Tune Insight verschiedene Projekte umsetzen, zum Beispiel in den Bereichen Onkologie und Dermatologie .

In Zukunft möchte das Unternehmen auch international arbeiten, denn gerade bei der grenzüberschreitenden Zusammenarbeit ist der Datenschutz eine riesige Herausforderung.

Nutzen ohne zu sammeln

Wenn es um seltene Krankheiten geht oder um genetische Analysen, reichen die Daten eines einzelnen Spitals nicht aus – die Spitäler müssen Daten zusammenlegen.

Das ist möglich, ohne die Daten zu teilen. Statt die Spital-Daten an Forschende zu schicken, schicken die Forschenden ihre Modelle an die Spitäler. Diese rechnen vor Ort und schicken nur die Resultate zurück. Die Forschenden rechnen dann die Modelle aus den Spitälern zusammen.

• 

  Beispiel Smart Meter

  Ein intelligenter Strommesser sendet regelmässig meine Daten an den Stromanbieter. So könnte der herausfinden, wann ich nach Hause komme und wann ich zu Bett gehe. Besser ist es, wenn der Strommesser nur das schickt, was der Anbieter wirklich wissen muss: Den durchschnittlichen Stromverbrauch zum Beispiel oder den Spitzenverbrauch pro Tag.

  imago images

• 

  Beispiel Röntgen

  Eine künstliche Intelligenz kann auf Röntgenbilder erkennen, was der Mensch übersieht. Um das zu lernen, braucht sie aber erstmal eine Menge Bilder. Statt diese heiklen Daten an den KI-Entwickler zu schicken, trainieren die Spitäler das Modell lokal. Der Entwickler setzt nur noch die Modelle aus den verschiedenen Spitälern zusammen.

  imago images

• 

  Beispiel Tastatur

  Das Smartphone macht Vorschläge, was wir als Nächstes schreiben wollen. Diese Vorschläge stammen aus einem KI-Modell, das auf den Daten der Nutzer trainiert wurde. Was die Nutzer schreiben, wird aber nicht an das Unternehmen geschickt. Stattdessen wird das Modell auf den Geräten der Nutzer trainiert und vom Anbieter nur aggregiert.

  imago images

Das Prinzip funktioniert nicht nur für simple Statistik, sondern auch für maschinelles Lernen und künstliche Intelligenz. Beim sogenannten Federated Learning trainieren die Spitäler ein Modell. Eine zentrale Stelle führt die einzelnen Modelle zusammen und sendet das so entstandene Hauptmodell wiederum zu den Spitälern. Der Prozess geht so lange hin und her, bis die KI fertig trainiert ist.

Die Zukunft des Datenschutzes

Alle diese Techniken sind sogenannte PET, «Privacy Enhancing Technologies». Sie werden bereits heute eingesetzt, doch es gibt noch einige Hürden: Es fehlt an Know-How, Ressourcen und regulatorischen Richtlinien.

Doch die Zukunft ist vielversprechend: Dank PET können Daten geschützt und trotzdem genutzt werden. So können bald mehr Daten sicher geteilt und für die Forschung eingesetzt werden.