Größe und Anteil des Marktes für datenschutzverbessernde Berechnungen nach Technologie (homomorphe Verschlüsselung, vertrauenswürdige Ausführungsumgebungen, Mehrparteienberechnung, differenzielle Privatsphäre, persönliche Datenspeicher); Typ; Endverbrauch – Globale Angebots- und Nachfrageanalyse, Wachstumsprognosen, Statistischer Bericht 2025–2037

Markt für datenschutzfreundliche Datenverarbeitung: Wachstumstreiber und Herausforderungen

Wachstumstreiber

• Zunehmende Einführung von PEC in Finanzdienstleistungen: Unternehmen im Bankensektor sowie im Versicherungs- und Gesundheitssektor setzen datenschutzfreundliche Rechentechnologie ein, um sichere Transaktionen, Betrugspräventionssysteme und Datenaustauschmechanismen zu entwickeln. Durch die sichere Mehrparteienberechnung können verschiedene Einheiten bei Datenanalyseprojekten zusammenarbeiten und gleichzeitig ihre Eingabedaten privat halten, um Datenschutzanforderungen und gesetzliche Datenschutzstandards zu erfüllen. Der Einsatz von SMPC ermöglicht es Finanzinstituten, organisationsübergreifend gemeinsam Betrugsmusteranalysen durchzuführen und die Privatsphäre der Kundendaten zu schützen, wodurch ihre Erkennungsfähigkeiten verbessert werden, ohne die Vertraulichkeit zu gefährden.
  
  Viele Institutionen, darunter ABN MRO Bank und Rabobank, implementieren das mit SMPC aufgebaute Anti-Geldwäsche-System, bei dem das Scoring-System Kontobewertungen an Transaktionsnetzwerke verteilt und es Banken ermöglicht, unbekannte Transaktionen zu finden, ohne Datenschutzstandards zu verletzen. Durch die Weitergabe von Risikobewertungen wird die Erkennungsgenauigkeit verdächtiger Aktivitäten gesteigert und gleichzeitig die Rückrufrate auf einem signifikanten Niveau gehalten, wodurch Fehlalarme deutlich reduziert werden. Die Entwicklung unterstreicht das Potenzial sicherer Mehrparteienberechnungen zur Verbesserung der Datensicherheitsmaßnahmen in Bereichen, in denen vertrauliche Informationen verarbeitet werden.
   
• Ausbau von KI und ML im Hinblick auf Datenschutzanforderungen: Eine zunehmende Zahl von Technologien für künstliche Intelligenz und maschinelles Lernen sind aufgrund ihrer kontinuierlichen Weiterentwicklung auf große Datensätze mit persönlichen Daten und sensiblen Informationen angewiesen. Der Rückgriff auf diesen Aspekt verdeutlicht das Potenzial von Technologien zur Verbesserung der Privatsphäre, einschließlich differenzieller Privatsphäre und föderiertem Lernen, die lebenswichtige Notwendigkeiten darstellen. Solche PETs helfen Organisationen dabei, KI-Trainingsmodelle zu erstellen, um persönliche Daten zu schützen und Organisationen vertrauenswürdiger zu machen, wodurch eine breitere Verbreitung von KI-Systemen gefördert wird. Regierungsinstitutionen nutzen die PETs auch für das Datenschutzmanagement. Beispielsweise startete die U.S. National Science Foundation im Juni 2024 das Programm „Privacy-Preserving Data Sharing in Practice“. PDaSP ist eine Initiative, die daran arbeitet, PETs durch praktische Einsätze schnell zu kommerzialisieren, um die sicheren Datenaustauschfunktionen in verschiedenen Sektoren zu verbessern.
  
  Technologieorganisationen etablieren innovative KI-Frameworks zum Schutz der Privatsphäre und konzentrieren sich auf die Entwicklung föderierter Lernansätze, die es trainierten KI-Modellen ermöglichen, an verschiedenen Standorten von Datensätzen zu arbeiten, ohne den tatsächlichen Dateninhalt preiszugeben. Technologien wie homomorphe Verschlüsselung und sichere Mehrparteienberechnung ermöglichen die Weiterentwicklung der Datensicherheit und ermöglichen es Unternehmen, regulatorische Probleme zu minimieren und fortschrittliche KI-gesteuerte Anwendungen für das Gesundheitswesen, Finanzdienstleistungen und Unternehmensorganisationen zu erstellen. Unternehmen, die PET implementieren, erzielen strategische Vorteile durch KI-Erkenntnisse, die die Privatsphäre der Nutzer schützen und so eine besser geschützte digitale Grundlage entwickeln.

Herausforderungen

• Komplexität bei der Integration mit bestehenden Systemen: Die Integration datenschutzschonender Rechenlösungen in die bestehende IT-Infrastruktur erfordert komplexe und ressourcenintensive Schritte. Moderne Unternehmen unterhalten veraltete Informationssysteme, die mit neuen Technologien zum Schutz der Privatsphäre, einschließlich föderiertem Lernen, nicht effizient funktionieren können. Die Installation dieser Systeme erfordert umfangreiche Systemänderungen und Spezialkenntnisse sowie gründliche Testverfahren, was zu Betriebsverzögerungen und höheren Gesamtkosten führt. Unternehmen haben Schwierigkeiten bei der Einführung von PEC, da es für sie schwierig ist, eine reibungslose Integration dieser Systeme in ihre aktuellen Datenverarbeitungs-Frameworks zu erreichen, obwohl sie Stabilität und Effizienz aufrechterhalten möchten, anstatt Datenschutzfunktionen hinzuzufügen.
   
• Kompromiss zwischen Datenschutz und Leistung: Vollständig homomorphe Verschlüsselung (Fully Homomorphic Encryption, FHE) sowie andere datenschutzsteigernde Berechnungstechniken wie vertrauenswürdige Ausführungsumgebungen und Mehrparteienberechnungen sorgen durch Vorgänge mit verschlüsselten Informationen für hohe Sicherheit. FHE bringt erhebliche Leistungseinschränkungen mit sich, da für den Betrieb eine enorme Rechenleistung und ausreichend Speicherressourcen erforderlich sind. Bei der Implementierung in FHE werden die Rechenanforderungen höher und herkömmliche Datenanalysemethoden erweisen sich als deutlich schneller. Die für die Verarbeitung durch PEC-Technologien erforderliche Zeit kann dazu führen, dass diese Methode in Situationen unbrauchbar wird, in denen Echtzeitfunktionen erforderlich sind, beispielsweise bei häufigen Marktoperationen und Betrugserkennungssystemen. Viele leistungsorientierte Organisationen scheuen die Einführung von PEC aufgrund der Integrationsbeschränkungen in ihren Branchen.