Warum eine Vertrauensgrundlage für moderne Datennutzung so wichtig ist

Wie wäre es, wenn eine Ölgesellschaft nicht weiß, wie viele Fässer Öl sie auf Lager hat, welche Qualität das Öl hat, oder sogar, ob einige dieser Fässer undicht sind?

In einer Zeit, in der Daten als „das neue Öl“ gelten und Führungskräfte den maximalen Wert aus Daten generieren müssen, befinden sich viele Unternehmen in einer ähnlichen Situation: Sie wissen, dass sie riesige Datenmengen erstellen, abrufen, erfassen und vervielfältigen – aber allzu oft haben sie kaum eine Möglichkeit, deren Qualität und Integrität zu gewährleisten. Das Ergebnis? Für eine Entscheidungsfindung auf allen Ebenen muss zunächst das Vertrauen in die entsprechenden Daten garantiert sein.

Laut einer KPMG-Studie haben zwei Drittel der Führungskräfte entweder Vorbehalte oder aktives Misstrauen gegenüber den Daten und Analysen ihres eigenen Unternehmens.¹ Dieses Bild spiegelt sich auch in Recherchen von PwC wider, die zeigen, dass Dateneigentümer nicht nur wegen Datendiebstahls und -verlusts (34 %) Bedenken haben, sondern auch die Qualität der Daten (34 %), auf die sie zugreifen können, und deren Integrität (31 %) anzweifeln.²

Es war noch nie wichtiger, dieses mangelnde Vertrauen in Daten auszuräumen – und gleichzeitig noch nie so komplex.

Die Sicherheit, Zuverlässigkeit und Qualität der Daten bestimmen den Wert der Anwendungen und Dienstleistungen, die unsere Wirtschaft, die Gesellschaft und unser persönliches Leben vorantreiben und bereichern. Da Daten zunehmend von vielen Milliarden IoT-Geräten erzeugt und genutzt werden und sie auch die Basis für maschinelles Lernen sind, ist die Schaffung von Vertrauen in Daten unabdingbar.

Das betont auch Michael Tagscherer, Group CTO bei G+D: „Ist autonomes Fahren möglich, wenn wir den Sensordaten nicht vertrauen können, die das Umfeld des Fahrzeugs erfassen? Können intelligente Stromnetze und hoch automatisierte Fabriken ohne vertrauenswürdige Daten sicher funktionieren? Können Menschen in der Industrie oder im Gesundheitswesen mit Robotern zusammenarbeiten, ohne den zugrunde liegenden Daten zu vertrauen?“ Die Antworten liegen ebenso auf der Hand wie die schwerwiegenden Folgen mangelnden Vertrauens in Daten.

Die vielschichtigen Dimensionen von Daten

Wie können wir das Vertrauen in diesen wichtigen Treibstoff der modernen Wirtschaft stärken?

Wie Michael Tagscherer hervorhebt, „wären viele Geschäftsmodelle und Innovationen ohne das Vertrauen in die Integrität der zugrunde liegenden Daten heutzutage nicht möglich“.

Dafür müssen jedoch mehrere Faktoren berücksichtigt werden:
 

• Kohärenz: Stimmen die Daten beim Vergleich von zwei oder mehreren Datensätzen zu 100 % überein? Wenn beispielsweise Kundinnen und Kunden ihre Adresse bei der Bank ändern, muss sich diese Änderung in allen verwendeten Konten und Produkten – wie Girokonto, Prämienprogramm oder Lebensversicherung – widerspiegeln.
   
• Genauigkeit: Wie genau beschreiben die Daten die Welt? Ein Sensor – etwa in einem autonomen Fahrzeug oder einer Industrieanlage – muss in der Lage sein, verlässlich genaue Echtzeitdaten zu erzeugen, um vertrauenswürdig zu sein.
   
• Vollständigkeit: Wie vollständig sind die Daten, welche Daten fehlen oder werden nicht erfasst? Das bedeutet nicht, dass 100 % aller theoretisch verfügbaren Daten auch tatsächlich vorliegen und genutzt werden müssen. Entscheidend ist, dass alle Daten, die für eine bestimmte Aufgabe notwendig sind, zur Verfügung stehen.
   
• Herkunft und Rückverfolgbarkeit: Woher stammen die Daten und wie wurden sie erstellt? Für die weitere Nutzung sollte der Ursprungsort der entsprechenden Daten bekannt sein.
   
• Aktualität: Sind die Daten aktuell genug, um die verschiedenen Gegebenheiten abzubilden, die in einer Anwendung eine Rolle spielen? Für Online-Händler und
  -Händlerinnen bedeutet Aktualität beispielsweise, ihren Bestand und die Produktverfügbarkeit in Echtzeit abrufen zu können. Aktualität kann in diesem Szenario jedoch auch bedeuten, dass Online-Händler und -Händlerinnen anhand wöchentlicher Umsatzübersichten den zukünftigen Bedarf abschätzen können.
   

• Sicherheit: Werden Daten nicht ausreichend vor dem Zugriff Unbefugter geschützt, kann ihre Integrität stets angezweifelt werden. Daher ist der sichere Schutz die unverzichtbare Basis für das Vertrauen in Daten.

Rundumschutz für Daten

Alle Daten durchlaufen einen Zyklus: Sie werden erstellt, übertragen, gespeichert und ergänzt; sie werden genutzt, weitergegeben, aktualisiert und schließlich gelöscht. Oft werden die Daten mit der Zeit wertvoller – etwa, weil sie im Einsatz verbessert oder monetarisiert werden. Diese Wertsteigerung setzt jedoch voraus, dass diese Daten vertrauenswürdig sind. Deshalb spielt das Vertrauen in jeder Phase des Lebenszyklus der Daten eine so grundlegende Rolle.

Diese aktuellen Herausforderungen lassen sich nach Ansicht der Data-Expertinnen und -Experten nur bewältigen, wenn neue Technologien und Ansätze entwickelt werden, die den Schutz und die Integrität der Daten gewährleisten und die Nutzung im gesamten Lebenszyklus regulieren.

Besonders deutlich wird dies in den Bereichen von IoT, Datenverarbeitung im Bereich künstlicher Intelligenz, Datenschutz sowie bei Kooperationen zwischen Unternehmen.

Mittlerweile erzeugen Milliarden vernetzter Geräte Daten in Fabriken, in intelligenten Städten, in Logistiksystemen, in intelligenten Fahrzeugen sowie in vielen weiteren Bereichen. Laut den Analystinnen und Analysten bei IDC wird die „globale Datensphäre“ bis 2025 auf insgesamt 177 Zettabyte anwachsen. Das sind achtmal so viele Daten wie 2018. Die Hälfte all dieser Daten wird dabei von IoT-Geräten erzeugt.³

Die größte Herausforderung wird dabei sein, Sicherheitslücken im Lebenszyklus dieser IoT-Daten zu schließen, damit sie weder offengelegt noch manipuliert werden können. Denn dies würde das Vertrauen in diese Daten und damit ihren Wert zerstören.

Die nötige Vertrauensbasis schaffen

IoT-Geräte und Sensoren erzeugen sehr viele Daten – meist ohne dabei von Menschen überwacht zu werden. Deshalb ist es hier besonders wichtig, einen Anker für diese Daten festzulegen, den sogenannten Root of Trust.

„Roots of Trust“ sind nach der Definition des US National Institute of Standards and Technology hochgradig zuverlässige Hardware-, Firmware- und Softwarekomponenten, die spezifische kritische Sicherheitsfunktionen erfüllen und so eine solide Grundlage für Vertrauen und Sicherheit im gesamten digitalen Ökosystem schaffen.

Roots of Trust werden oft direkt auf der Hardware implementiert, damit die von ihnen bereitgestellten Funktionen nicht durch Malware manipuliert werden können. So sind sie verankert und ihre Sicherheit ist garantiert.⁴

Besonders beim Weiterleiten, Verwenden und Speichern von Daten ist dieses inhärente Vertrauen wichtig.

Risikolose Weitergabe von Daten

Auch bei der Zusammenarbeit spielt das Vertrauen eine große Rolle. Unternehmenskooperationen und Joint Ventures erfordern häufig die gemeinsame Nutzung von Daten. Dabei muss jedoch die Vertraulichkeit des geistigen Eigentums der einzelnen Unternehmen gewährleistet werden. Die Projektzusammenarbeit von Automobilherstellern ist hier ein gutes Beispiel: Alle Projektteilnehmenden bringen relevante Daten aus ihren jeweiligen Bereichen in das Projekt ein, etwa zur Verbesserung der Sicherheit beim autonomen Fahren oder Informationen zur Reichweite von Elektrofahrzeugen. Dabei möchten alle Teilnehmenden Zugang zu wertvollen Informationen bekommen, ohne dabei ihr eigenes geistiges Eigentum offenzulegen.  

Es kann wirtschaftlich sinnvoll sein, wenn unterschiedliche Parteien Daten auf diese Weise gemeinsam nutzen, sofern die branchenübergreifende Zusammenarbeit keine kartellrechtlichen Auswirkungen hat. Trotzdem stellen viele Unternehmen ihre Daten nur zögerlich zur Verfügung, da sie fehlende Sicherheitsmaßnahmen befürchten. Das sogenannte Confidential Computing eröffnet hier völlig neue Möglichkeiten. Daten und Software können in der Cloud geschützt werden, da sie in vertrauenswürdigen Umgebungen verarbeitet werden.

Alle an der Zusammenarbeit beteiligten Akteurinnen und Akteure können dabei genau festlegen und überprüfen, wer welche Daten bereitstellen und abrufen darf. So entsteht Vertrauen zwischen den Geschäftspartnern.

Diese Art der Zusammenarbeit wächst rasant: Medizinische Forschungseinrichtungen können eng mit anderen Unternehmen kooperieren, ohne sensible Patientendaten offenzulegen; Industrieunternehmen in derselben Branche können sich gegenseitig mit Daten unterstützen, ohne Sorge haben zu müssen, dabei Geschäftsgeheimnisse preiszugeben.

Vertrauen in datengesteuerte KI

Das Vertrauen in Daten spielt besonders bei KI-Anwendungen eine große Rolle, da die Prognosen, Empfehlungen und Maßnahmen dieser Anwendungen nur zuverlässig sind, wenn die Daten aus vertrauenswürdigen Quellen stammen. Es gibt zahllose Beispiele für KI-basierte Entscheidungen, die sich als einseitig oder ungenau erwiesen haben. Um die Leistung der künstlichen Intelligenz einschätzen und bewerten zu können, müssen Führungskräfte die Eigenschaften der Daten kennen, auf denen ihre KI-Anwendungen basieren, so das Marktforschungsunternehmen Gartner.

Gleichzeitig darf das Erfassen wertvoller Daten nicht die Rechte oder die Privatsphäre von Menschen verletzen. Das Unternehmen Brighter AI erzielt hier Erfolge, indem es persönliche Identifizierungsmerkmale – wie etwa Gesichter, die in einem Video-Stream zu erkennen sind, oder Autokennzeichen, die von einer Überwachungskamera erfasst wurden – so verfremdet oder persönliche Erkennungsmerkmale synthetisch ersetzt, dass die Privatsphäre geschützt wird. Um dieses Potenzial auszuschöpfen, hat sich das Unternehmen eine Finanzierung von führenden VCs wie G+D Ventures, eCAPITAL, Armilar Venture Partners und Deutsche Bahn Digital Venture gesichert.

Beim maschinellen Lernen gibt es weitere Ansätze, da zum Trainieren eines bestimmten Modells häufig mehrere unterschiedliche Datenquellen verwendet werden. „Federated Learning“ – eine Technik des maschinellen Lernens, bei der Algorithmen mit Daten aus mehreren dezentralen Quellen trainiert werden – eignet sich besonders gut, wenn unterschiedliche Unternehmen zusammenarbeiten. Nur das Machine-Learning-Modell wird bei diesem Ansatz gemeinsam genutzt, nicht aber die Daten selbst. So können etwa biometrische Daten, geistiges Eigentum oder andere sensible Daten problemlos für gemeinsame KI-Entwicklungsprojekte verwendet werden.

Die Vertrauenswürdigkeit bestimmt den Wert von Daten

Vertrauen ist in jedem Kontext ein entscheidender Faktor, besonders jedoch im Zusammenhang mit Technologie. Der rasante technologische Fortschritt und die exponentielle Zunahme verfügbarer Daten müssen mit neuen Techniken, Ansätzen und Lösungen einhergehen, die sicherstellen, dass die Daten, die den jeweiligen Anwendungen und Diensten zugrunde liegen, vertrauenswürdig sind.

PwC formuliert dies wie folgt: „Ihr Unternehmen braucht nicht nur eine Datenstrategie, sondern auch eine Datenvertrauensstrategie. Die Herausforderung ist, die Wertschöpfung aus den Daten zu optimieren und gleichzeitig diesen Wert nicht durch fehlendes Vertrauen in die Daten zu verspielen.“⁵

Veröffentlicht: 11.05.2023