KI nutzen, ohne sensible Daten preiszugeben

Eine Bank kann ihre Betrugsdaten nicht zentralisieren. Drei Versicherer dürfen keine Kundenprofile teilen. Ein Industriekonzern will konzernweite KI-Modelle trainieren, aber die Werke liefern keine Rohdaten. Privacy-Preserving AI löst genau dieses Dilemma.

Unternehmen investieren zunehmend in Künstliche Intelligenz, um Prozesse zu automatisieren, Risiken besser zu erkennen und datengetriebene Entscheidungen zu treffen. Gleichzeitig jedoch steigt der Druck durch Datenschutzvorgaben, regulatorische Anforderungen und interne Governance-Regeln. Gerade in Branchen wie Finanzdienstleistungen, Versicherungen, Gesundheitswesen oder Industrie stellt sich daher eine zentrale Frage:

Wie lassen sich leistungsfähige KI-Modelle entwickeln, ohne sensible Daten zentralisieren oder offenlegen zu müssen?

Eine wachsende Zahl von Technologien adressiert genau dieses Spannungsfeld. Sie werden häufig unter dem Sammelbegriff Privacy-Preserving AI zusammengefasst, nicht als einzelne Methode, sondern als eine Klasse von Ansätzen. Diese ermöglichen es, KI-Modelle zu trainieren, auszuwerten oder gemeinsam zu nutzen, ohne dass sensible Rohdaten ihre ursprüngliche Umgebung verlassen müssen.

Warum Privacy-Preserving AI an Bedeutung gewinnt

Viele Organisationen verfügen heute über große Datenbestände, die theoretisch für Machine-Learning Modelle genutzt werden könnten. In der Praxis stoßen solche Vorhaben jedoch häufig auf strukturelle Hindernisse:

• Regulatorische Anforderungen – Gesetze und Aufsichtsregeln schränken ein, wie personenbezogene oder sensible Unternehmensdaten verarbeitet und übertragen werden dürfen.
• Datenhoheit innerhalb der Organisation – Fachbereiche oder Landesgesellschaften sind häufig nicht bereit oder nicht in der Lage, ihre Daten vollständig in zentrale Plattformen zu überführen.
• Sicherheitsanforderungen – Zentrale Datenspeicher erhöhen potenziell die Angriffsfläche für Cyberangriffe oder Datenlecks.
• Organisatorische Komplexität – Große Datenintegrationsprojekte erfordern oft jahrelange Abstimmungsprozesse zwischen IT, Fachbereichen, Compliance und Management.

Privacy-Preserving AI verfolgt daher einen anderen Ansatz: Nicht alle Daten werden zu einer zentralen Plattform gebracht, stattdessen werden Modelle und Berechnungen näher an die Daten verlagert oder so gestaltet, dass sensible Informationen geschützt bleiben.

Zentrale Ansätze der Privacy-Preserving AI

Verteiltes Lernen

Beim verteilten Lernen (Distributed Learning) werden Modelle parallel auf mehreren Systemen oder Organisationseinheiten trainiert. Die zugrunde liegenden Daten bleiben dabei lokal gespeichert. Statt Rohdaten auszutauschen, werden lediglich Modellparameter oder Gradienten übermittelt und in einem globalen Modell aggregiert.

Dieser Ansatz eignet sich also insbesondere für Szenarien, in denen mehrere Einheiten, etwa unterschiedliche Geschäftsbereiche oder Standorte, gemeinsam ein Modell entwickeln möchten, ohne ihre Daten vollständig zusammenzuführen.

Für die Praxis: Konzerne mit dezentralen Datensilos können auf diese Weise konzernweite KI-Modelle aufbauen, ohne dass Daten die Geschäftsbereiche je verlassen müssen.

Föderiertes Lernen

Föderiertes Lernen, auch bekannt als Federated Learning, ist eine spezialisierte Form des verteilten Lernens. Es kommt insbesondere dann zum Einsatz, wenn viele unabhängige Teilnehmer beteiligt sind. Gleichzeitig ist eine zentrale Datenaggregation in solchen Szenarien grundsätzlich ausgeschlossen, etwa bei:

• Kooperationen zwischen mehreren Unternehmen
• Netzwerken aus IoT-Geräten
• mobilen Endgeräten wie Smartphones

Auch hier werden nur Modellupdates übertragen, während die zugrunde liegenden Daten lokal verbleiben.

Für die Praxis: Mehrere Banken können gemeinsam ein Betrugserkennnungsmodell trainieren – ohne auch nur einen einzigen Kundendatensatz auszutauschen.

Differential Privacy

Differential Privacy verfolgt einen anderen Ansatz: Statistische Verfahren stellen sicher, dass aus den Ergebnissen einer Analyse keine Rückschlüsse auf einzelne Datensätze oder Personen gezogen werden können. Dies wird in der Regel durch gezieltes Zufallsrauschen erreicht, das während der Datenverarbeitung hinzugefügt wird.

Besonders relevant ist der Einsatz, wenn:

• Analyseergebnisse veröffentlicht oder geteilt werden
• Modelle auf sensiblen personenbezogenen Daten trainiert werden
• gesetzliche Anforderungen an Anonymisierung erfüllt werden müssen

Für die Praxis: Versicherungen können Risikomodelle auf Basis echter Kundendaten entwickeln und dabei gesetzliche Anonymisierungsanforderungen nachweislich erfüllen.

Secure Multiparty Computation

Bei der Secure Multiparty Computation (SMPC) führen mehrere Parteien gemeinsam Berechnungen durch, ohne ihre zugrunde liegenden Daten gegenseitig offenzulegen. Mathematische Verfahren sorgen dafür, dass jede Partei nur das Endergebnis erhält – nicht die Daten der anderen Teilnehmer.

Typische Einsatzszenarien:

• Gemeinsame Betrugsbekämpfung im Finanzsektor
• Sektorübergreifende Risikoanalysen
• Gemeinsame Forschung mit sensiblen Datensätzen

Für die Praxis: Mehrere Finanzinstitute können gemeinsam ein Risikomodell berechnen – ohne dass eines der Institute die Daten der anderen jemals sieht.

Homomorphic Encryption

Homomorphe Verschlüsselung ermöglicht es, Berechnungen direkt auf verschlüsselten Daten durchzuführen. Ein System kann Daten verarbeiten, ohne sie zuvor entschlüsseln zu müssen – erst das Endergebnis wird wieder lesbar gemacht. Obwohl dieser Ansatz technisch sehr vielversprechend ist, wird er derzeit vor allem in spezialisierten Szenarien eingesetzt, da die Rechenkosten vergleichsweise hoch sein können.

Für die Praxis: Cloud-Dienste können Berechnungen für ein Unternehmen durchführen, ohne jemals Zugang zu den unverschlüsselten Daten zu erhalten.

Welcher Ansatz passt zu welchem Szenario?

Praxisrelevanz für Unternehmen

Privacy-Preserving AI eröffnet Organisationen neue Möglichkeiten, datengetriebene Modelle zu entwickeln, ohne ihre bestehenden Governance- und Datenschutzstrukturen grundlegend verändern zu müssen. Besonders relevant ist dies in Situationen, in denen:

• Daten über mehrere Organisationseinheiten verteilt sind
• regulatorische Anforderungen eine zentrale Speicherung erschweren
• mehrere Unternehmen gemeinsam Modelle entwickeln möchten
• sensible Kundendaten verarbeitet werden

Statt Daten zentral zu bündeln, können Organisationen neue Formen der Zusammenarbeit aufbauen – bei denen Modelle, Erkenntnisse oder statistische Parameter ausgetauscht werden, nicht die Daten selbst.

Fazit

Privacy-Preserving AI beschreibt eine wachsende Klasse von Technologien, die darauf abzielen, die Nutzung von Machine Learning mit hohen Anforderungen an Datenschutz, Sicherheit und Datenhoheit zu vereinbaren. Während klassische KI-Architekturen häufig auf der Zentralisierung großer Datenmengen beruhen, verschieben diese Ansätze den Fokus: Modelle werden näher an die Daten gebracht, Berechnungen werden geschützt durchgeführt, Ergebnisse so aufbereitet, dass sensible Informationen verborgen bleiben.

Für maximale Sicherheit ist oft eine Kombination dieser Techniken der beste Weg. Der aktuell pragmatischste Ansatz für viele Unternehmen bleibt jedoch der Einsatz von leistungsstarken Open-Source-LLMs oder fach- und domänenspezifischen SLMs, die lokal betrieben werden. So behält man die volle Kontrolle über die Daten und profitiert trotzdem von den Fähigkeiten der Modelle.

Für Unternehmen eröffnet dies neue Wege, KI-Anwendungen zu skalieren – selbst in hochregulierten oder organisatorisch komplexen Umgebungen.

Weiterlesen

Die verlinkten Quellen zeigen, wie Unternehmen KI datenschutzkonform nutzen können. Es wird alles abgedeckt: Von den technischen Grundlagen über föderiertes Lernen bis hin zu praktischen Fragen rund um Anonymisierung, Governance und Compliance.

• OpenMined / MIT Deep Learning Series – Privacy-Preserving AI Summary: Die wichtigsten technischen Konzepte und Methoden von Privacy-Preserving AI.​
• CACM – Federated Learning for Privacy-Preserving AI: Föderiertes Lernen als datenschutzfreundlicher KI-Ansatz.​
• Deloitte – Preserving Privacy in AI-Applications: Praxisnah für Unternehmen, im Hinblick auf Business- und Governance.​
• Federated Learning as a Privacy Solution – An Overview: Federated Learning fachlich sauber eingeordnet​.