Motivation
Gerade im medizinischen und rechtlichen Bereich existieren riesige, bisher ungenutzte Datenmengen, da sie zur maschinellen und systematischen Verarbeitung zunächst datenschutzkonform anonymisiert werden müssen. Dazu müssen im jeweiligen Dokument bestimmte Informationen präzise gefunden und ihre Rolle im jeweiligen Kontext verstanden werden, um im Nachgang eine indirekte Identifikation betroffener Personen ausschließen zu können. Erfolgt dieser Prozess händisch, ist er mit hohem Zeit- und Kostenaufwand verbunden. Maschinell wird heute noch kein ausreichender Datenschutz erreicht, da es viele indirekte und sogenannte schwache schützenswerte Hinweise in Texten gibt.
Ziele und Vorgehen
Im Vorhaben HILANO soll eine kostengünstige und dabei gegenüber jetzigen Systemen schnellere Anonymisierung personenbezogener Daten in Text- und OCR-Bilddokumenten mittels eines selbstlernenden Systems entwickelt werden. Aufgrund einer manuellen „Endkontrolle“ durch die Nutzer wird das System einem stetigen Verbesserungsprozess unterliegen. Die Anonymisierung der Dokumente erfolgt dabei zunächst lokal durch eine Kopie des Anonymisierungsmodells auf dem Endgerät des Nutzers. Nach seiner Kontrolle des maschinellen Anonymisierungsvorschlags wird nur das Feedback an die zentrale Instanz zurückgespielt. Damit trägt der Nutzer, ohne die Weitergabe der expliziten Dokumente, zu einer Verbesserung des zentralen Anonymisierungsmodells bei. Es handelt sich durch die verteilten Nutzer um ein sogenanntes verteiltes maschinelles Lernen für eine zentrale Anwendung. Bei diesem Lernprozess der Anonymisierungsmodelle werden die Originaltexte der Trainingsdokumente an keiner Stelle sichtbar gemacht, wodurch der Datenschutz vollumfänglich gewährleistet werden kann.
Innovationen und Perspektiven
Im Vorhaben wird aufgrund der Kernkompetenzen des Konsortiums der Fokus auf die zwei Bereiche Recht und Medizin gelegt. Im zuerst genannten Bereich wird damit das Vorhaben zur Stärkung der Zivilgesellschaft beitragen. Im zweiten Bereich wird eine Verbesserung der Abrechnungskontrolle im Gesundheitssektor erwartet, wodurch das Gesundheitssystem in Deutschland entlastet werden kann. Hinsichtlich der Verwertung plant der Verbund die Open-Source-Veröffentlichung des Quellcodes in einer Basisvariante.