STAMMTISCH | Anonymisierung von Bildern
8. Mai 18:00 Uhr – 19:30 Uhr
Wie kann eine KI trainiert werden, ohne die Privatsphäre zu verletzten? Welche Rolle können Deepfakes dabei spielen? Diese und weitere Fragen klären wir am 8. Mai ab 18 Uhr gemeinsam im TRIANGEL im Rahmen des Kompetenzclusters Anonymisierung für vernetzte Mobilitätssysteme (ANYMOS).
Lassen sich persönliche Daten schützen, ohne dass dabei ein Nachteil für das Training einer Künstlichen Intelligenz (KI) entsteht? Und wenn ja, wie funktioniert das? Gemeinsam mit Pascal Zwick vom Forschungszentrum Informatik (FZI) gehen wir dieser Frage auf den Grund und können live eine Anonymisierung erleben!
Die Datenschutz Grundverordnung (DS-GVO) der Europäischen Union verlangt, dass personenbezogene Daten geschützt werden. Durch neuere Technologien zur Innenraum- und Außenüberwachung beim ÖPNV oder Autonomen Fahren werden immer mehr Daten erhoben, die eindeutig realen Personen zugeordnet werden können.
Daraus entsteht das Dilemma, dass diese persönlichen Daten einerseits geschützt werden müssen, andererseits jedoch qualitativ hochwertige Datensätze von Nöten sind, um eine KI zu trainieren. So benötigt beispielsweise die Weiterentwicklung des Autonomen Fahrens mittels Machine Learning die genaue Blickrichtung von Fußgängerinnen und Fußgängern, um mögliche Laufwege vorherzusagen.
Um den Richtlinien der EU gerecht zu werden und gleichzeitig den Fortschritt des Maschinellen Lernens zu erhalten, braucht es eine Methode, die einerseits Daten anonymisiert, andererseits nicht die Qualität des Datensatzes mindert.
Kommt vorbei, schnappt euch einen leckeren Drink aus dem intro Café und diskutiert mit!
Wir freuen uns auf euren Input!
Der Eintritt ist frei.
Weitere Informationen zu ANYMOS und das gesamte Programm findet ihr hier.
Pascal Zwick (FZI)
Forschungszentrum Informatik (FZI)
Der Fokus von Pascal Zwick Arbeit liegt auf der Anonymisierung personenbezogener Daten in Bildern, also alles mit Gesichtern, Logos oder Telefonnummern. Das Ziel hier ist, die Bilder für das Training einer KI zu verwenden, ohne dass die Bildqualität merklich verschlechtert wird. Die anonymisierten Bilddatensätze für Maschine Learning sollen den gleichen Mehrwert haben, wie mit den personenbezogenen Daten.