{"id":7759,"date":"2018-06-03T15:25:12","date_gmt":"2018-06-03T13:25:12","guid":{"rendered":"https:\/\/www.l3s.de\/?page_id=7759"},"modified":"2023-02-14T16:08:18","modified_gmt":"2023-02-14T15:08:18","slug":"data-protection-transparency-and-responsibility","status":"publish","type":"page","link":"https:\/\/www.l3s.de\/de\/magazine\/binaire-articles\/data-protection-transparency-and-responsibility\/","title":{"rendered":"Datenschutz, Transparenz und Verantwortung"},"content":{"rendered":"
\n \n
\n \n \n
\n \n
\n
\n
\n
<\/div>\n <\/div>\n
\n
<\/div>\n <\/div>\n
\n
<\/div>\n <\/div>\n <\/div>\n
\n \n
\n
\n \n \n
\n \n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

\u00a9Egor – stock.adobe.com<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Ausgabe: 02\/2018<\/p>\n <\/div>\n <\/div>\n

\n \n
Maschinelles Lernen<\/span><\/a>\n <\/span>\n <\/div>\n <\/div>\n
\n \n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n \n
\n \n
\n \n
\n \n \n
Rechtliche Implikationen des maschinellen Lernens<\/h6>\n <\/div>\n <\/div>\n
\n \n
\n \n \n

Datenschutz, Transparenz und Verantwortung<\/h1>\n <\/div>\n <\/div>\n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Datenschutz, Transparenz und Verantwortung<\/p>\n <\/div>\n <\/div>\n

\n \n \n
\n

<\/strong>Wem geh\u00f6ren die Daten?<\/strong><\/p>\n

Daten aus autonomen Fahrzeugen sind ein Beispiel, an dem sich die unterschiedlichen Interessen aufzeigen lassen. Softwarefirmen, Autohersteller und andere Dienstleister würden gern exklusiv auf diese Daten zugreifen, denn sie verheißen neue Geschäftsmodelle. Die betroffenen Fahrer autonomer Fahrzeuge bangen hingegen um den Schutz ihrer Privatsphäre. Sie soll insbesondere durch die ab 25. Mai 2018 geltende Datenschutzgrundverordnung<\/em> besser geschützt werden. Hier sind Informationspflichten und Betroffenenrechte ebenso verankert wie Prinzipien der Transparenz, Zweckbindung und Datenminimierung. Im Projekt ABIDA<\/a> versuchen L3S-Juristen zusammen mit Partnern aus anderen Disziplinen Lösungen zu entwickeln, die die unterschiedlichen Interessen ausgleichen.<\/p>\n

Ein weiterer Anwendungsbereich für maschinelles Lernen ist die öffentliche Sicherheit<\/em>. Das Projekt iBorderCtrl <\/a> entwickelt derzeit ein „smartes“ System, das die Grenzübertritte an den Schengen-Außengrenzen effektiver gestalten soll. Auch bei diesem System, das aus Soft- und Hardware-Komponenten besteht \u2012 etwa Scanner für die Validierung von Ausweisdokumenten oder zur biometrischen Identifikation von Personen \u2012 kommt maschinelles Lernen zum Einsatz: Zunächst werden die relevanten Informationen digital erhoben und verarbeitet. Dies ermöglicht die systematische Auswertung von Grenzübertritten und lässt Rückschlüsse etwa über besonders risikobehaftete Personengruppen oder neu auftretende Muster beim Versuch illegaler Grenzübertritte zu. Für jeden Reisenden kann auf diese Weise bereits im Vorfeld ein individueller Risikowert errechnet und entsprechend gezieltere Kontrollen durchgeführt werden. Das System lernt daraus, verbessert sich fortlaufend selbst und liefert immer genauere Ergebnisse.   <\/p>\n <\/div>\n <\/div>\n

\n \n \n
\n

Diskriminierung durch Algorithmen<\/strong><\/p>\n

Aus rechtlicher Sicht birgt solch ein Ansatz diverse Risiken: Zunächst hängen die Ergebnisse immer von einer hinreichenden Datenqualität ab. Ferner können Algorithmen Fehlschlüsse ziehen und etwa ein Risiko größer bewerten, als es tatsächlich ist. Diskriminierungen durch Algorithmen sind also nicht auszuschließen. Selbst wenn sich insgesamt eine Steigerung der Effizienz bei Grenzkontrollen ergeben sollte, stehen sich hier das Wohl der Allgemeinheit – schnellere und sicherere Grenzkontrollen – und das Wohl des Einzelnen gegenüber.<\/p>\n

Gerade der Einsatz von Algorithmen in der öffentlichen Sicherheit verdeutlicht, dass bereits vorab Regeln gesetzt werden müssen, um Diskriminierung und Intransparenz zu vermeiden. Das gilt indes ebenso für den privaten Bereich. Im Rahmen von Mobilise – Mobiler Mensch<\/em><\/a> forschen Wissenschaftler daher an den Anforderungen an Algorithmen. Bis dato können nicht einmal die Entwickler selbstlernender Systeme nachvollziehen, wie das System genau zu einer Entscheidung gelangt ist. Kommt es zu Schäden, etwa weil das Verhalten von Mensch und Maschine divergiert, muss das Geschehen nachvollzogen werden können. Ungeklärt ist auch die Frage, wer für Schäden einzustehen hat, die durch selbstlernende Algorithmen verursacht wurden. ML wird aus diesen und vielen weiteren Gründen nicht nur zahlreiche Rechtswissenschaftler beschäftigen, sondern auch weitreichende Veränderungen in anderen Bereichen, etwa der Versicherungsbranche, nach sich ziehen.<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n \n
\n \n
\n \n
\n \n
\n
\n \n \n
\n \n
\n <\/span><\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n \n \n
Vorgestellte Projekte<\/h6>\n <\/div>\n <\/div>\n
\n \n
\n
\n \n \n \"\"\n
<\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n
\n
\n \n \n \"\"\n
<\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n \n
\n \n
\n \n
\n \n \n
Kontakt<\/h6>\n <\/div>\n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n
\n \n \n \"\"\n
<\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n \n \n

RAin Prof. Dr. Tina Kr\u00fcgel, LL.M<\/h4>\n <\/div>\n <\/div>\n
\n \n
kruegel@l3s.de<\/span><\/a>\n <\/span>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n \n
\n

Tina Kr\u00fcgel ist Rechtsanw\u00e4ltin und seit April 2014 Juniorprofessorin f\u00fcr Informationsrecht, insbesondere Datenschutzrecht, an der Leibniz Universit\u00e4t Hannover. Seit 2016 ist sie Mitglied im L3S.<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"

\u00a9Egor – stock.adobe.com Issue: 02\/2018 Maschinelles Lernen Legal implications of machine learning Data protection, transparency and responsibility When we talk about machine learning (ML), one fact is evident, even almost trivial: to train algorithms, data is needed. Algorithms can successfully recognize patterns on the basis of large amounts of data and thus expand their “knowledge”. […]<\/p>\n","protected":false},"author":7,"featured_media":7760,"parent":2750,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"page-templates\/full-width-page.php","meta":{"_acf_changed":false,"footnotes":""},"categories":[],"tags":[28,90],"class_list":["post-7759","page","type-page","status-publish","has-post-thumbnail","hentry","tag-binaire","tag-binaire-2018-02"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t