Motivation

Auch mittelständische Unternehmen setzen zunehmend Methoden des maschinellen Lernens (ML) ein, die einen Teilbereich der künstlichen Intelligenz bilden. Dabei werden Computer mit Daten und Erfahrungen trainiert, anstatt explizit für bestimmte Aufgaben programmiert zu werden. Solche ML-Methoden ergänzen sowohl die traditionelle Softwareentwicklung als auch die spezifische Wertschöpfungskette von Unternehmen. Besonders wichtig ist, dass diese ML-Verfahren sicher sind und nicht manipuliert werden können. Dies muss bereits bei der Entwicklung von Software und während ihres gesamten Lebenszyklus berücksichtigt werden. Die Forschung hat in diesem Bereich in den letzten Jahren unter dem Stichwort „sicherer Software-Lebenszyklus“ erhebliche Fortschritte gemacht. Allerdings gibt es bisher nur wenige umfassende, strukturierte und einfach zu handhabende Ansätze für ML-Verfahren und deren sichere Integration in Entwicklungsprozesse. Dabei sind solche Ansätze gerade für kleine und mittlere Unternehmen (KMU) von großer Bedeutung. Viele KMU wollen zwar das wirtschaftliche Potenzial von ML-Verfahren nutzen, ihnen fehlt aber aufgrund begrenzter Ressourcen oft das Know-how und die Kompetenz, sie sicher einzusetzen.

Ziele & Ansatz

Das Projekt „Secure Machine Learning Lifecycle“ (SMILE4KMU) hat sich zum Ziel gesetzt, die Sicherheit von ML-Methoden in Entwicklungsprozessen ganzheitlich zu betrachten, vom Schutz der Trainingsdaten bis zur Verteilung der Software. Die Forscher wollen Prozesse und Verfahren entwickeln, die es auch KMU ermöglichen, maschinelles Lernen sicher in ihren Entwicklungsprojekten einzusetzen. Daher legt das Projektteam besonderen Wert darauf, die eingesetzten ML-Prozesse strukturiert und nachvollziehbar abzusichern. Das Projekt „Secure Machine Learning Life-cycle“ (SMILE4KMU) hat sich daher zum Ziel gesetzt, die Sicherheit von ML-Verfahren in Entwicklungsprozessen ganzheitlich zu betrachten, vom Schutz der Trainingsdaten bis hin zur Verteilung der Software. Die Forscher wollen Prozesse und Verfahren entwickeln, die es auch KMU ermöglichen, maschinelles Lernen sicher in ihren Entwicklungsprojekten einzusetzen. Daher legt das Projektteam besonderen Wert darauf, die eingesetzten ML-Verfahren strukturiert und nachvollziehbar abzusichern. Darüber hinaus achten die Forscher darauf, dass die mit ML erstellte Software leicht zu schützen und zu lizenzieren ist und dass all dies zu einem für KMU wirtschaftlich vertretbaren Aufwand umgesetzt werden kann.

#MachineLearningSecurity #SecureMLIntegration #AI #MLDevelopment #AIResearch #MLBestPractices #DataProtection #ITSecurity