Endgültiger Entwurf des Gesetzes über Künstliche Intelligenz – Datenschutzpflichten der KI-Modelle mit Allgemeinem Verwendungszweck

Mar 4, 2024
Share this post
Sharing to FacebookSharing to LinkedInSharing to XSharing to Email

Nachdem am 8. Dezember 2023 eine politische Einigung erzielt worden war, liegt nun ein inoffizieller Entwurf des europäischen Gesetzes über Künstliche Intelligenz (KI-Gesetz) vor. Es sind zwei (englische) Versionen online verfügbar, eine davon wurde von Euractivs Technologieredakteur Luca Bertuzzi veröffentlicht, der den Vorschlag der Kommission, die Überarbeitungen des Europäischen Parlaments, die Version des Rates und schließlich den endgültigen Entwurf des Abkommens vergleicht. Er ist fast 900 Seiten lang, enthält aber sehr nützliche Redlines aller vorgeschlagenen und endgültigen Änderungen. Die zweite Version, die etwa ein Drittel so lang ist, wurde kurz darauf von der leitenden Beraterin des Europäischen Parlaments, Dr. Laura Caroli, veröffentlicht. Eine hilfreiche Version dieses Dokuments mit einem Inhaltsverzeichnis zur leichteren Navigation finden Sie hier.

Die KI-Gemeinschaft wird in nächster Zeit zweifellos verschiedene Analysen veröffentlichen, von denen die ersten bereits auf die wichtigsten Daten des Inkrafttretens des Gesetzes eingehen. Dieser Artikel verfolgt einen engeren Ansatz und befasst sich mit den datenschutzrechtlichen Bedenken im Zusammenhang mit KI-Modellen für allgemeine Zwecke (KIAZ), die im KI-Gesetz behandelt werden.

Was sind KI-Modelle für allgemeine Zwecke?

KIAZ sind Modelle, die nicht für nur eine spezielle Anwendung entwickelt wurden, sondern gewisse funktionale Merkmale aufweisen, wie z. B. die Fähigkeit, ein breites Spektrum an unterschiedlichen Aufgaben kompetent zu erfüllen. Ein gutes Beispiel sind große generative KI-Modelle wie GPT4. Diese Modelle werden in der Regel anhand großer Datenmengen mit verschiedenen Methoden wie überwachtem, unbeaufsichtigtem oder Verstärkungslernen trainiert. KIAZ-Modelle können auf unterschiedliche Weise auf dem Markt verfügbar gemacht werden, z. B. durch Bibliotheken, Anwendungsprogrammierschnittstellen (APIs), direkte Downloads oder physische Kopien. Sie können auch modifiziert oder zu neuen Modellen weiterentwickelt werden.

Wie der Name schon sagt, können diese Modelle für fast jeden Zweck verwendet werden, was auch bedeutet, dass diese Modelle nicht standardmäßig vom KI-Gesetz als hochriskant eingestuft werden, obwohl sie natürlich Teil eines hochriskanten KI-Systems werden können. Was den Unterschied zwischen KI-Modellen und KI-Systemen betrifft, KI-Modelle benötigen zusätzliche Komponenten, wie z. B. eine Benutzeroberfläche, um voll funktionsfähige KI-Systeme zu werden.

Das KI-Gesetz erkennt jedoch an, dass es einige KIAZ-Modelle gibt, die inhärent systemische Risiken aufweisen und daher strengeren Compliance-Verpflichtungen unterworfen sind. Beispiele für systemische Risiken in diesem Sinne, die im KI-Gesetz genannt werden, sind schwere Unfälle, Störungen kritischer Sektoren, schwerwiegende Folgen für die öffentliche Gesundheit und Sicherheit, tatsächliche oder vernünftigerweise vorhersehbare negative Auswirkungen auf demokratische Prozesse, die öffentliche und wirtschaftliche Sicherheit sowie die Verbreitung illegaler, falscher oder diskriminierender Inhalte.

Die Einstufung von KIAZ als solche mit systemischen Risiken konzentriert sich auf die Fähigkeiten des Modells, die sich durch die kumulative Menge an Rechenleistungen, die für sein Training verwendet werden, näherungsweise bestimmen lassen. Das Gesetz legt zwar einen anfänglichen Schwellenwert für diese Rechenleistungen fest, dieser ist jedoch anpassbar, um technologischen Veränderungen Rechnung zu tragen, die eine effizientere Modellschulung ermöglichen. Weitere Faktoren, die bei der Einstufung einer KIAZ mit systemischem Risiko berücksichtigt werden, sind ihre Auswirkungen auf den Markt angesichts ihrer Reichweite, die Ein- und Ausgabemodalitäten, die Qualität und der Umfang der Trainingsdaten, der Grad der Autonomie und die Tools, zu denen es Zugang hat. Das KI-Gesetz räumt ein, dass diese Risiken besser verstanden werden können, wenn das Modell erst einmal veröffentlicht ist und die Nutzer damit interagieren.

Bedenken bezüglich des Datenschutzes bei KIAZ

Die Beispiele für systemische Risiken und die Überlegungen, die in die Klassifizierung des systemischen Risikos einfließen, wie Autonomie und Zugang zu Tools, vermitteln eine gute Vorstellung von den störenden Auswirkungen, die KIAZ auf die Gesellschaft und den Einzelnen haben dürften. Nehmen wir die Ein- und Ausgabemodalitäten als nur eine Überlegung, anhand derer wir hochwirksame Risiken entdecken können. Während wir immer noch am meisten von multimodalen Modellen hören, die Audio, Video, Sprache und geschriebenen Text aufnehmen können, schreitet die Forschung voran, die es den Modellen ermöglicht, unsere Gehirnströme zu lesen, so dass sie eine visuelle oder textliche Beschreibung unserer Gedanken ausgeben können. Das Potenzial, die Mensch-Computer-Schnittstellen zu revolutionieren, ist faszinierend und spielt eine herausragende Rolle in den Trends für dieses Jahr. Die Einführung dieser Technologie setzt jedoch Vertrauen voraus - schließlich ist nichts so privat wie unsere Gedanken, und das Missbrauchspotenzial ist ebenso groß wie die Vorteile, die wir uns vorstellen können.

Wenn man sich auf die heute am weitesten verbreiteten Anwendungsfälle von KIAZ konzentriert, sticht der systemische Risikofaktor, der mit den Trainingsdaten zu tun hat, im Kontext des Datenschutzes hervor. Wir wissen, dass gängige LLMs auf riesigen Mengen persönlicher Daten aus dem Internet trainiert werden und regelmäßig persönliche Informationen, einschließlich sensibler Daten, enthalten. Angesichts der Tatsache, dass Modelle diese Daten speichern, sie in der Produktion durchsickern lassen können und Inversionsangriffen ausgesetzt sind, bei denen ein böswilliger Akteur die Eingabedaten, die persönliche Informationen enthalten, rekonstruiert oder ableitet, ergeben sich eine Reihe von Datenschutzbedenken.

Um die Verpflichtungen zu verstehen, die den KIAZ durch das KI-Gesetz auferlegt werden, ist es zunächst aufschlussreich, sich an die Fragen der Einhaltung der DSGVO zu erinnern, die sich in diesem Zusammenhang stellen. Zu nennen sind dabei die Datenminimierung, der Bedarf einer Rechtsgrundlage für das Training an personenbezogenen Daten sowie für die Verarbeitung von Chat Aufforderungen, die personenbezogene Daten enthalten. Weiterhin ist die unbefugte Weitergabe und der unbefugte Zugang, die Informationspflichten, insbesondere im Zusammenhang mit automatisierten Entscheidungen, das Recht auf Löschung und das Verbot der Verarbeitung besonderer Kategorien personenbezogener Daten relevant, für deren Verarbeitungsverbot nur sehr enge Ausnahmen vorgesehen sind; ein berechtigtes Interesse an der Verarbeitung besonderer Kategorien personenbezogen Daten gehört nicht zu diesen Ausnahmen.

Eine hervorragende Ressource, die sich mit all diesen Themen befasst, ist der Artikel Generative AI in EU Law: Liability, Privacy, Intellectual Property, and Cybersecurity, der im Januar diesen Jahres erschienen ist. Beachten Sie jedoch, dass der Artikel veröffentlicht wurde, bevor der endgültige Text des KI-Gesetzes vorlag. Daher sind einige der aufgeführten Kritikpunkte, insbesondere im Zusammenhang mit „foundation models,“ jetzt hinfällig, da sie im endgültigen Entwurf berücksichtigt wurden.

Den KIAZ durch das Gesetz auferlegte Datenschutzverpflichtungen

Im endgültigen Entwurf des KI-Gesetzes wird auf Vorschlag des Europäischen Parlaments Erwägungsgrund 45a hinzugefügt, der besagt, dass der Schutz der Privatsphäre während des gesamten Lebenszyklus des KI-Systems gewährleistet werden muss, einschließlich des Datenschutzes durch Technikgestaltung und der datenschutzfreundlichen Voreinstellungen, der Anonymisierung, der Verschlüsselung und der Begrenzung der Datenübertragung und des Kopierens, indem das Modell, wenn möglich, zu den Rohdaten gebracht wird, statt anders herum. Es liegt auf der Hand, dass dies ein Verweis auf die DSGVO ist, die die Einhaltung aller im vorherigen Abschnitt vorgestellten Anforderungen verlangt.

Ein weiterer Verweis auf die DSGVO findet sich in dem überarbeiteten Art. 10(4a)(5) des KI-Gesetzes. Dort heißt es, dass für die Erkennung und Korrektur von Vorurteilen und Diskriminierungen besondere Kategorien personenbezogener Daten verarbeitet werden dürfen, vorbehaltlich strenger Sicherheitsvorkehrungen und unter der Voraussetzung, dass die Erkennung und Korrektur von Vorurteilen und Diskriminierungen mit synthetischen oder anonymisierten Daten nicht wirksam durchgeführt werden kann. Diese Ausnahme vom Verbot der DSGVO in Bezug auf die Verarbeitung besonderer Kategorien personenbezogener Daten ist die einzige im KI-Gesetz, und sie gilt nicht für die Entwicklung von KIAZ, die Daten aus dem Internet zu allgemeinen Schulungszwecken auslesen.

In diesem Zusammenhang ist es wichtig, darauf hinzuweisen, dass die Definition der besonderen Kategorien personenbezogener Daten in der EuGH-Entscheidung Meta gegen Bundeskartellamt vor kurzem erweitert wurde. Nach dieser Entscheidung ist es nicht erforderlich, dass sich die Informationen direkt auf eine der besonderen Kategorien beziehen, wie z. B. Herkunft, Religion, Alter oder Gesundheitszustand, sondern nur, "dass die Datenverarbeitung die Offenlegung von Informationen ermöglicht, die unter eine dieser Kategorien fallen".

Wie wir die Privatsphäre im Kontext der KIAZ schützen können

Alle datenschutzbezogenen Verpflichtungen, mit denen LLM-Entwickler und -Nutzer konfrontiert sind, haben eines gemeinsam: Sie sind praktisch unüberwindbar, wenn die in ihren Trainingsdatensätzen enthaltenen personenbezogenen Daten nicht sichtbar sind. Dann sind Organisationen nicht in der Lage, die aussagekräftigen Informationen bereitzustellen, die vor der Erhebung personenbezogener Daten offengelegt werden müssen. Ebenso kann keine spezifische Einwilligung eingeholt werden, ohne zu wissen, von wem sie zu stammen hat, und die Durchsetzung der Rechte der betroffenen Personen ist ebenso schwierig, und noch schwieriger ist es, wenn es um das Recht auf Löschung geht - im schlimmsten Fall könnte eine vollständige Umschulung des Modells erforderlich sein, um diesem Recht Geltung zu verschaffen, was sowohl aus ökologischer Sicht angesichts der beträchtlichen Ressourcen, die für die Schulung erforderlich sind, als auch natürlich für das Unternehmen, das das kosten- und zeitintensive Training durchgeführt hat, nicht ideal ist.

Es gibt zwar mehrere Möglichkeiten, wie die Modellentwickler die Herausforderungen des Datenschutzes angehen können, aber sie sind begrenzt. Zum einen wird versucht, Websiten, die offensichtlich große Mengen personenbezogener Daten enthalten, nicht in das Data Scraping einzubeziehen. Zweitens wird das Verstärkungslernen mit menschlichem Feedback (Reinforcement Learning from Human Feedback, RLHF) von unabhängigen Datenschutzexperten durchgeführt, die von den Modellentwicklern beauftragt wurden, das Modell so auszurichten, dass keine personenbezogenen Daten offengelegt werden. Beide Methoden lassen Lücken beim Schutz personenbezogener Daten und damit bei der Haftung nach der DSGVO und dem KI-Gesetz.

Hier kommt Private AI ins Spiel. Die Technologie von Private AI ist in der Lage, in großen unstrukturierten Datensätzen enthaltene persönliche Daten zu identifizieren und sie durch synthetische Daten oder Platzhalter zu ersetzen. Für viele Anwendungsfälle kann dieser Ansatz, der auf kontextbezogenen Algorithmen beruht, die von Datenschutzexperten in mehreren Sprachen trainiert wurden, den Nutzen der Daten erhalten und gleichzeitig den Datenschutz maximieren.

Diese Technologie ist nicht nur für Modellentwickler nützlich, sondern auch für die nachgelagerte Wertschöpfungskette. Wenn Unternehmen befürchten, dass sie Datenschutzrechte verletzen, wenn Mitarbeiter persönliche Daten in ihre an ein externes Modell gesendeten Eingabeaufforderungen einfügen, kann PrivateGPT von Private AI eingesetzt werden, um die Eingabeaufforderung abzufangen, die persönlichen Daten herauszufiltern und sie automatisch wieder in die Antwort einzufügen, um eine nahtlose Benutzererfahrung zu gewährleisten. Testen Sie PrivateGPT hier kostenlos.

Data Left Behind: AI Scribes’ Promises in Healthcare

Data Left Behind: Healthcare’s Untapped Goldmine

The Future of Health Data: How New Tech is Changing the Game

Why is linguistics essential when dealing with healthcare data?

Why Health Data Strategies Fail Before They Start

Private AI to Redefine Enterprise Data Privacy and Compliance with NVIDIA

EDPB’s Pseudonymization Guideline and the Challenge of Unstructured Data

HHS’ proposed HIPAA Amendment to Strengthen Cybersecurity in Healthcare and how Private AI can Support Compliance

Japan's Health Data Anonymization Act: Enabling Large-Scale Health Research

What the International AI Safety Report 2025 has to say about Privacy Risks from General Purpose AI

Private AI 4.0: Your Data’s Potential, Protected and Unlocked

How Private AI Facilitates GDPR Compliance for AI Models: Insights from the EDPB's Latest Opinion

Navigating the New Frontier of Data Privacy: Protecting Confidential Company Information in the Age of AI

Belgium’s Data Protection Authority on the Interplay of the EU AI Act and the GDPR

Enhancing Compliance with US Privacy Regulations for the Insurance Industry Using Private AI

Navigating Compliance with Quebec’s Act Respecting Health and Social Services Information Through Private AI’s De-identification Technology

Unlocking New Levels of Accuracy in Privacy-Preserving AI with Co-Reference Resolution

Strengthened Data Protection Enforcement on the Horizon in Japan

How Private AI Can Help to Comply with Thailand's PDPA

How Private AI Can Help Financial Institutions Comply with OSFI Guidelines

The American Privacy Rights Act – The Next Generation of Privacy Laws

How Private AI Can Help with Compliance under China’s Personal Information Protection Law (PIPL)

PII Redaction for Reviews Data: Ensuring Privacy Compliance when Using Review APIs

Independent Review Certifies Private AI’s PII Identification Model as Secure and Reliable

To Use or Not to Use AI: A Delicate Balance Between Productivity and Privacy

To Use or Not to Use AI: A Delicate Balance Between Productivity and Privacy

News from NIST: Dioptra, AI Risk Management Framework (AI RMF) Generative AI Profile, and How PII Identification and Redaction can Support Suggested Best Practices

Handling Personal Information by Financial Institutions in Japan – The Strict Requirements of the FSA Guidelines

日本における金融機関の個人情報の取り扱い - 金融庁ガイドラインの要件

Leveraging Private AI to Meet the EDPB’s AI Audit Checklist for GDPR-Compliant AI Systems

Who is Responsible for Protecting PII?

How Private AI can help the Public Sector to Comply with the Strengthening Cyber Security and Building Trust in the Public Sector Act, 2024

A Comparison of the Approaches to Generative AI in Japan and China

Updated OECD AI Principles to keep up with novel and increased risks from general purpose and generative AI

Is Consent Required for Processing Personal Data via LLMs?

The evolving landscape of data privacy legislation in healthcare in Germany

The CIO’s and CISO’s Guide for Proactive Reporting and DLP with Private AI and Elastic

The Evolving Landscape of Health Data Protection Laws in the United States

Comparing Privacy and Safety Concerns Around Llama 2, GPT4, and Gemini

How to Safely Redact PII from Segment Events using Destination Insert Functions and Private AI API

WHO’s AI Ethics and Governance Guidance for Large Multi-Modal Models operating in the Health Sector – Data Protection Considerations

How to Protect Confidential Corporate Information in the ChatGPT Era

Unlocking the Power of Retrieval Augmented Generation with Added Privacy: A Comprehensive Guide

Leveraging ChatGPT and other AI Tools for Legal Services

Leveraging ChatGPT and other AI tools for HR

Leveraging ChatGPT in the Banking Industry

Law 25 and Data Transfers Outside of Quebec

The Colorado and Connecticut Data Privacy Acts

Unlocking Compliance with the Japanese Data Privacy Act (APPI) using Private AI

Tokenization and Its Benefits for Data Protection

Private AI Launches Cloud API to Streamline Data Privacy

Processing of Special Categories of Data in Germany

End-to-end Privacy Management

Privacy Breach Reporting Requirements under Law25

Migrating Your Privacy Workflows from Amazon Comprehend to Private AI

A Comparison of the Approaches to Generative AI in the US and EU

Benefits of AI in Healthcare and Data Sources (Part 1)

Privacy Attacks against Data and AI Models (Part 3)

Risks of Noncompliance and Challenges around Privacy-Preserving Techniques (Part 2)

Enhancing Data Lake Security: A Guide to PII Scanning in S3 buckets

The Costs of a Data Breach in the Healthcare Sector and its Privacy Compliance Implications

Navigating GDPR Compliance in the Life Cycle of LLM-Based Solutions

What’s New in Version 3.8

How to Protect Your Business from Data Leaks: Lessons from Toyota and the Department of Home Affairs

New York's Acceptable Use of AI Policy: A Focus on Privacy Obligations

Safeguarding Personal Data in Sentiment Analysis: A Guide to PII Anonymization

Changes to South Korea’s Personal Information Protection Act to Take Effect on March 15, 2024

Australia’s Plan to Regulate High-Risk AI

How Private AI can help comply with the EU AI Act

Comment la Loi 25 Impacte l'Utilisation de ChatGPT et de l'IA en Général

Endgültiger Entwurf des Gesetzes über Künstliche Intelligenz – Datenschutzpflichten der KI-Modelle mit Allgemeinem Verwendungszweck

How Law25 Impacts the Use of ChatGPT and AI in General

Is Salesforce Law25 Compliant?

Creating De-Identified Embeddings

Exciting Updates in 3.7

EU AI Act Final Draft – Obligations of General-Purpose AI Systems relating to Data Privacy

FTC Privacy Enforcement Actions Against AI Companies

The CCPA, CPRA, and California's Evolving Data Protection Landscape

HIPAA Compliance – Expert Determination Aided by Private AI

Private AI Software As a Service Agreement

EU's Review of Canada's Data Protection Adequacy: Implications for Ongoing Privacy Reform

Acceptable Use Policy

ISO/IEC 42001: A New Standard for Ethical and Responsible AI Management

Reviewing OpenAI's 31st Jan 2024 Privacy and Business Terms Updates

Comparing OpenAI vs. Azure OpenAI Services

Quebec’s Draft Regulation Respecting the Anonymization of Personal Information

Version 3.6 Release: Enhanced Streaming, Auto Model Selection, and More in Our Data Privacy Platform

Brazil's LGPD: Anonymization, Pseudonymization, and Access Requests

LGPD do Brasil: Anonimização, Pseudonimização e Solicitações de Acesso à Informação

Canada’s Principles for Responsible, Trustworthy and Privacy-Protective Generative AI Technologies and How to Comply Using Private AI

Private AI Named One of The Most Innovative RegTech Companies by RegTech100

Data Integrity, Data Security, and the New NIST Cybersecurity Framework

Safeguarding Privacy with Commercial LLMs

Cybersecurity in the Public Sector: Protecting Vital Services

Privacy Impact Assessment (PIA) Requirements under Law25

Elevate Your Experience with Version 3.5

Fine-Tuning LLMs with a Focus on Privacy

GDPR in Germany: Challenges of German Data Privacy (Part 2)

Comply with US Executive Order on Safe, Secure, and Trustworthy Artificial Intelligence using Private AI

How to Comply with EU AI Act using PrivateGPT