Datenherkunft im Web der Dinge

Braucht Ihr Kühlschrank Ihren Namen und Ihr Geburtsdatum, um vorherzusagen, wann die Milch ausgeht? Wissenschaftlerinnen und Wissenschaftler der Universität Passau wollen verschiedene Quellen im Web der Dinge so kombinieren, dass die Ergebnisse verbessert und zugleich der Datenschutz bewahrt wird.

Auf dem Smartphone ploppt eine Erinnerung auf: "Hier ist Ihr Kühlschrank, Sie brauchen noch Milch." Damit die Geräte solche Unterstützung bieten können, greifen "intelligente Systeme" auf eine Vielzahl von persönlichen Daten zu, darunter etwa Kalendereinträge oder E-Mails, und verarbeiten diese "in der Cloud". Diesen Service bezahlen Nutzerinnen und Nutzer mit ihrer Privatsphäre, der Datenschutz rückt in den Hintergrund.

Muss das so sein? Oder könnten Daten automatisiert geschützt werden, ohne dass die Vorhersagen an Qualität einbüßen? Ein Team von Informatikerinnen und Informatikern der Universität Passau untersucht diese Fragen unter der Leitung von Michael Granitzer, Professor für Data Science. Das Projekt ist Teil des größeren Forschungsvorhabens "Provenance Analytics - Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen". Die Herkunft von Daten, also deren "Provenance", entscheidet über ihre Qualität und auch über das Vertrauen, das ihnen entgegen gebracht wird.

Das Passauer Teilprojekt legt den Schwerpunkt auf das Vertrauen im Web der Dinge, bestehend aus all den digitalen Alltagshelfern und Sensoren, die über das World Wide Web vernetzt sind, darunter beispielsweise das Smartphone mit dem klugen Kühlschrank, die Digitalkamera mit dem Tablet, oder das Tablet mit dem Fitness Tracker. In der Regel verstehen die Nutzerinnen und Nutzer die komplexen Vorgänge in diesen Geräten nicht, die zu den beeindruckenden Ergebnissen führen. Sie könnten diese auch nicht reproduzieren. Also vertrauen sie häufig blindlings den angebotenen Diensten und insbesondere darauf, dass ihre Daten in ihrem Nutzerprofil schon sicher sind - was allerdings häufig nicht der Fall ist. Denn die Dienste haben Zugriff auf sehr viel mehr persönliche Daten, als sie tatsächlich für ihre jeweilige Funktion bräuchten. Hier setzen die Forscherinnen und Forscher der Universität Passau an: "Wir wollen wissen: Gelingt uns eine Profilerstellung der Nutzerinnen und Nutzer, die datenschutzfreundlich, aber trotzdem genauso aussagekräftig ist, als hätten wir deren individuelle Profile?", sagt Prof. Dr. Michael Granitzer.

Das Passauer Team geht davon aus, dass die Aussagekraft durch die Nutzung anonymisierter Profildaten sogar gesteigert werden kann. Jedes digitale Hilfsmittel erstellt und verwaltet meist eigene Profile und lässt andere Anwendungen außer Acht. Durch die Verknüpfung unterschiedlicher Profile, etwa auf dem Smartphone, kann die Qualität der Vorhersage unter Umständen gesteigert und noch genauer gemacht werden. Durch Hinzuziehen sozialer Netzwerke können auch Vorhersagen über Gruppen getroffen werden.

Nehmen wir die Hobbysportlerin Alice, die gemeinsam mit ihrem Freund Bob regelmäßig läuft. Während Alice ihre Kilometer per Fitness-App zählt, ist das für Bob zu viel Aufwand. Da Alice und Bob aber in sozialen Netzwerken verbunden sind, lassen sich die gemeinsam gelaufenen Kilometer von Alice und Bob als Gruppe abschätzen. Prof. Dr. Michael Granitzer ergänzt: "Die Vorhersagemöglichkeiten würden immens gesteigert bei gleichzeitigem Schutz der Privatsphäre. Neue Dienste und Anwendungen wären realisierbar, die - wie wir hoffen - der Region Passau und Niederbayern nachhaltige Impulse der Internet-bezogenen Informations- und Kommunikationstechnik geben zu können."

Beteiligte und Förderung

Weitere Beteiligte an dem Forschungsprojekt sind: die das Vorhaben koordinierende Bauhaus-Universität Weimar, die Hochschule Ostwestfalen-Lippe und die Arctron 3D GmbH. Das Forschungsprojekt erhält Fördermittel des Bundesministeriums für Bildung und Forschung (BMBF) in Höhe von 2.403.000 Euro. Davon fließen 248.000 Euro nach Passau.

Principal Investigator(s) at the University	Prof. Dr. Michael Granitzer (Lehrstuhl für Data Science)
Project period	01.10.2016 - 30.09.2019
Source of funding	BMBF - Bundesministerium für Bildung und Forschung
Projektnummer	03PSIPTSC
Themenfelder	Informatik, Informatik