Publikationen

Autor	Vogel, Inna; Setz, Tahireh; Choi, Jeong-Eun; Steinebach, Martin
Datum	2022
Art	Conference Paper
Abstrakt	Maschinelle Lernverfahren können sowohl Chancen als auch Risiken für die Privatheit von Daten bedeuten. Zum einen können durch Techniken des Natural Language Processings personenbezogene Daten anonymisiert werden und zum anderen können maschinelle Lernmodelle selbst hinsichtlich der Identifizierbarkeit der darin enthaltenen Daten zum Risiko für die Anonymität werden. In dieser Arbeit werden beide Aspekte, auch im Kontext von Angriffen auf die KI, diskutiert und Lösungsansätze besprochen. Sodann wird die datenschutzrechtliche Dimension von Angriffen auf die KI dargestellt und relevante Vorschriften des Entwurfs der Künstlichen-Intelligenz Verordnung beleuchtet. Denn auch hier stehen sich der datenschutzrechtliche Grundsatz der Datenminimierung und das Interesse am Erhalt der Datenqualität gegenüber - ein scheinbar dilemmatisches Verhältnis.
Konferenz	Gesellschaft für Informatik (Jahrestagung) 2022
Publisher	Gesellschaft für Informatik
Url	https://publica.fraunhofer.de/handle/publica/427299

Natural Language Processing (NLP) und der Datenschutz - Chancen und Risiken für den Schutz der Privatheit