Von Nils Klute, IT-Fachredakteur und Projektmanager Kommunikation Cloud Services bei EuroCloud Deutschland_eco e.V.
Inwiefern sich neuronale Netze urheberrechtlich wie Datenbankwerke schützen lassen, wie sich Machine-Learning-Algorithmen von Computerprogrammen in Fragen des geistigen Eigentums unterscheiden und ab wann dezentral trainierte, künstlich intelligente (KI) Modelle ein Geschäftsgeheimnis sein können – ein Kurzgutachten der HTWG Konstanz im Auftrag des Karlsruher Instituts für Technologie (KIT) geht juristischen Fragen rund um das Federated Learning nach.
Smarte Apps entwickeln und selbstlernende Chatbots realisieren – fehlende Daten bremsen das technologisch Mögliche auch im Projekt Service-Meister noch oft aus. Mit ein Grund dafür sind Schutzinteressen. Beispielsweise teilen Unternehmen ihre Informationen nicht untereinander, weil sie befürchten, Geschäftsgeheimnisse preiszugeben. Dezentrale Ansätze wie das Federated Learning sollen das Dilemma lösen. Statt Daten tauschen Firmen dabei KI-Modelle aus.
Federated Learning: Know-how über KI modellieren und teilen
Wie das praktisch aussieht, zeigt FLAIROP. Auf den Tagen der digitalen Technologie des Bundeswirtschaftsministeriums stellte sich das Förderprojekt Ende August vor: Im Projekt lernen so genannte Pick-and-Place-Roboter, wie sie bekannte oder unbekannte Objekte sicher erkennen und greifen können. Egal, ob Kartons, Plastiktüten oder lose gepackte Einzelteile – damit das den mechanischen Helfern schneller und besser gelingt, teilt das deutsch-kanadische Konsortium statt Informationen eben trainierte KI-Modelle über Federated Learning. „Die Roboter tauschen ihr Know-how übergreifend aus“, sagte Jan R. Seyler von FLAIROP: „Und das, um nicht nur von den eigenen Erfahrungen zu lernen, sondern vom Wissen anderer Roboter.“
Trainierte KI-Modelle als Geschäftsgeheiminis: KIT-Kurzgutachten klärt Rechtsfragen
Egal, ob digitale Produktionsanlagen, vernetzte Autos oder smarte Pick-and-Place-Roboter – lassen Unternehmen KI-Modelle auch herstellerübergreifend zirkulieren, macht das selbstlernende und sich selbst optimierende Anwendungen möglich. Anwendungen, die sich über intelligente Algorithmen eigenständig weiterentwickeln können. Und die so gleichzeitig die Interessen im Hinblick auf eigene Daten schützen. Was Unternehmen freut, sorgt dagegen Juristen. Denn bislang ist unklar, was aus rechtlicher Sicht zu beachten ist, wenn dezentrale Systeme Wissen automatisch generieren und schließlich über Firmengrenzen hinweg fließen lassen. Zwar tauscht der verteilte Federated-Learning-Ansatz keine Informationen aus, aber eben Know-how in Form trainierter KI-Modelle. Fakt ist: Auch derart angelernte Modelle können als Geschäftsgeheimnis gelten.
Ein aktuelles Kurzgutachten vom KIT greift die Thematik auf. Lucas Zoller, Manuel Treiterer und Prof. Dr. Marc Strittmatter von der Hochschule Konstanz gehen auf rechtliche Schutzaspekte ein, die für dezentral trainierte neuronale Netze am Beispiel von Machine-Learning-Modellen relevant werden. Ein Grundproblem: „Weil Daten aufgrund ihrer fehlenden Verkörperung nicht als Sache gelten, können weder sachenrechtliche Eigentums- noch Besitzrechte an den Daten als solche begründet werden.“
Urheberrechtliche Aspekte des Federated Learnings
Einen möglichen Lösungsweg sieht das Urheberrecht vor, um beispielsweise Datenbanken als Ergebnis einer Investition zu schützen. Die Experten halten fest: „Mit Ausnahme der programmierten Netzarchitektur, kommt die rechtliche Prüfung zu dem Ergebnis, dass die betrachteten Bestandteile neuronaler Netze die Voraussetzungen der in Frage kommenden urheberrechtlichen Schutzrechte in der Regel nicht erfüllen dürften. Die Besonderheiten eines Federated-Learning-Prozesses haben dabei insbesondere keine Auswirkungen auf das Bestehen eines urheberrechtlichen Schutzes.“
Geschäftsgeheimnisinhaber: Mehrpersonenkonstellationen erschweren Bestimmung
Allerdings kommt ein Schutz als Geschäftsgeheimnis in Betracht – und das grundsätzlich für alle Bestandteile eines neuronalen Netzes. Dennoch bleiben auch hier Fragen offen, die durch verteilte Ansätze mit mehreren Akteuren entstehen: „Aufgrund der bestehenden Mehrpersonenkonstellation innerhalb eines Federated-Learning-Prozesses ergeben sich außerdem Schwierigkeiten hinsichtlich der Einstufung als Geschäftsgeheimnisinhaber.“ Als mögliche Lösungen kommen vertragliche Vereinbarungen in Frage oder neutrale Dritte als Datentreuhänder.
Wie ist die Schutzfähigkeit von untrainierten und trainierten KI-Modellen juristisch zu bewerten? Welche Antworten hält das bestehende Rechtsregime für das Federated Learning bereit? Das Kurzgutachten über die rechtliche Schutzfähigkeit von Machine-Learning-Modellen am Beispiel von dezentral trainierten neuronalen Netzen steht zum Download bereit. Das KIT ist assoziierter Partner von Service-Meister.
Bildnachweis: i-Stock-689948580
Dieser Artikel hat Ihnen gefallen? Dann abonnieren Sie unseren Newsletter und erhalten Sie regelmäßige Updates zu ähnlichen Themen und zum Projekt Service-Meister und diskutieren Sie mit uns zu diesem und ähnlichen spannenden Themen in unserer LinkedIn Gruppe.