Anonymisierung von personenbezogenem Bildmaterial
DSGVO-konformes Bild- und Videomaterial mit Hilfe von KI produktiv nutzen
Bild- oder Videomaterial automatisiert und Datenschutz konform auswerten
Wir stellen Software zur Anonymisierung von Bildern und Videos zur Verfügung, die auf fortschrittlichster Deep-Learning-Technologie aufbaut. Unsere Anwendungen anonymisieren beispielsweise Gesichter und Kennzeichen und unterstützen Firmen bei der Befolgung von Datenschutzgesetzen wie der DSGVO, dem CCPA, APPI und PIPL.
Damit wird es Firmen aus unterschiedlichen Sektoren ermöglicht, öffentlich aufgenommene Kameradaten für Analysen und KI-Projekte DSGVO konform einzusetzen.
Die automatisierte Auswertung von Bild- oder Videomaterial ist ein Thema, das durch Deep Learning und Künstliche Intelligenz (KI) vorangetrieben wird.
Unsere Strategie
Wir setzen mit Ihnen gemeinsam die Datenschutzkonforme Auswertung um
Anwendungsgebiete der Objekterkennung
Die Anwendungsgebiete der Objekterkennung sind vielfältig, u.a. wird die Objekterkennung in folgenden Sektoren eingesetzt.
• Produktionsprozesse: Überwachung von Fertigungsanlagen, Erkennung von Defekten oder Abweichungen.
• Verkehrssituationen: Identifizierung von Fahrzeugen, Fußgängern, Verkehrszeichen usw. – relevant für autonomes Fahren und Verkehrsüberwachung.
Für die Erkennung und das Verfolgen von Objekten – beispielsweise Personen oder Fahrzeugen – in Videodatenströmen gibt es im Feld der Künstlichen Intelligenz etablierte und performante Verfahren.
Vom Prototyp zur produktiven Umgebung
Dabei sind die Anwendungsmöglichkeiten so vielfältig wie die Objekttypen und –eigenschaften, welche erkannt werden sollen und reichen weit über den vermutlich bekanntesten Fall des autonomen Fahrens hinaus.
Hier prototypisch erste proof-of-concepts erfolgreich umzusetzen, etwa auf Basis digitaler Services von Cloud-Diensten, ist heute oft gar nicht mehr schwierig. Das Verfahren jedoch in eine produktive Umgebung einzubringen oder auf einen spezialisierten Anwendungsfall anzupassen, ist in der Regel schon deutlich aufwendiger.
Und genau hier verfügt das BTC Data Science Team über weitreichende Erfahrung. Dabei reicht das Spektrum von der Verwendung fertiger Services, über die Entwicklung maßgeschneiderter KI-Modelle bis hin zur Integration in eine vollwertige Produktlösung.
Datenschutz und DSGVO bei der Objekterkennung
Als Beispiel führen wir unsere Anonymisierungslösung an, die eingesetzt wird, um Videoströme aus dem deutschen Straßenverkehr zu analysieren und darin personenbezogene Daten (also z.B. Gesichter oder KFZ-Kennzeichen) zu erkennen und unkenntlich zu machen.
Derart veränderte Videodaten können gespeichert oder weiterverarbeitet werden, ohne in Konflikt mit Datenschutzbedenken zu stehen. Die entwickelte Lösung hat auf diese Weise bereits mehr als 10 Millionen Videosekunden an Daten zur weiteren Auswertung für den Kunden verfügbar gemacht.
Ihre Vorteile
- DSGVO-konformes Videomaterial
- Höhere Präzision in der Produktion
- Höhere Prozessgeschwindigkeit
- Ganzheitliche Dokumentation
- Optimierung des Ressourceneinsatzes
Deep Learning und Neuronale Netze
Insgesamt sind diese spezialisierten Architekturen entscheidend für den Erfolg von KI-Anwendungen in verschiedenen Bereichen.
Deep Learning und Objekterkennung
Deep Learning-Modelle werden verwendet, um Objekte in Bildern oder Videodaten zu erkennen. Dies ermöglicht die automatisierte Analyse von Produktionsprozessen, Verkehrssituationen und mehr. Deep Learning-Modelle verwenden komplexe neuronale Netzwerke, um spezifische Objekte in Bildern oder Videostreams zu identifizieren. Dies ermöglicht die automatisierte Analyse von verschiedenen Szenarien, einschließlich Produktionsprozessen und Verkehrssituationen.
Schritte der Objekterkennung
Forschende aus der Neurowissenschaft gehen davon aus, dass die Objekterkennung in drei Schritten abläuft:
Erkennen einzelner Merkmale: Zunächst werden grundlegende Merkmale wie Kanten, Formen oder Farben identifiziert.
Zusammensetzen von Merkmalen: Diese Merkmale werden zu einem Gesamtbild zusammengesetzt, um ein Objekt zu formen.
Identifikation durch Gedächtnisrückgriff: Das Gehirn greift auf gespeichertes Wissen zurück, um das erkannte Objekt zu identifizieren.
Neuronale Netze
Neuronale Netze sind ein Konzept, das auf der Nachahmung des menschlichen Gehirns basiert.
Künstliche Neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden und ein Werkzeug im Bereich des maschinellen Lernens und der künstlichen Intelligenz.
Aufbau eines neuronalen Netzwerks
Ein künstliches neuronales Netz besteht aus Neuronen, die Informationen aufnehmen, ändern und an das nächste Neuron weitergeben. Diese Neuronen sind durch Kanten miteinander verbunden.
Das Netzwerk gliedert sich in drei Schichten:
Eingabeschicht (Input Layer): Hier nehmen Neuronen Informationen aus der Außenwelt auf und geben sie gewichtet an die nächste Schicht weiter.
Verborgene Schicht (Hidden Layer): Diese Schicht kann aus mehreren Ebenen von Neuronen bestehen. Die Informationen werden hier weitergereicht und neu gewichtet.
Ausgabeschicht (Output Layer): Die Neuronen geben die verarbeiteten Informationen als Ergebnis aus, z. B. eine Wahrscheinlichkeitsverteilung.
Architekturen für neuronale Netzwerke
Convolutional neural Networks (CNN): CNNs eignen sich zur Bearbeitung von Bildern und visuellen Daten. Sie verwenden spezielle Schichten wie Faltungsschichten, um lokale Muster und Merkmale in Bildern zu erkennen.
Recurrent Neural Networks (RNN): RNNs sind auf die Verarbeitung sequenzieller Daten spezialisiert. Sie haben eine rückgekoppelte Struktur, die es ihnen ermöglicht, Informationen aus vorherigen Schritten zu speichern.
Long Short-Term Memory (LSTM): Eine spezielle Art von RNN ist das LSTM, das Probleme mit langen Abhängigkeiten besser bewältigen kann. LSTMs sind in der Lage, Informationen über längere Zeiträume zu speichern und zu verarbeiten.
Transformer-Netzwerke: Diese Architektur hat die Welt der natürlichen Sprachverarbeitung (NLP) revolutioniert. Transformer verwenden Selbst-Aufmerksamkeitsmechanismen, um Kontextinformationen zu erfassen und sind in Modellen wie BERT und GPT weit verbreitet.
Vision-Transformer: Durch die Übertragung der leistungsstarken Selbst-Aufmerksamkeitsmechanismen und der flexiblen Architektur der Transformer auf die Bildverarbeitung, bieten Vision Transformer eine alternative Methode zu CNNs, mit potenziellen Vorteilen in bestimmten Anwendungsfällen, wie z.B. einer besseren Generalisierungsfähigkeit aufgrund ihres globalen Verständnisses von Bildern.
Anonymisierung verschiedener persönlicher Kennungen
Als deutsches Unternehmen entwickeln wir unseren AI-Bild- und Videoanonymisierungsdienst, um DSGVO-konform zu sein und sicherzustellen, dass aus den anonymisierten Bild- und Videodatensätzen keine persönlichen Informationen automatisch extrahiert werden können. Wir verbessern unseren AI-Bild- und Videoanonymisierungsdienst ständig, um eine höhere Genauigkeit und bessere Leistung zu erzielen. Highlights: • Anonymisiert Gesichter, Personen, Autos und Nummernschilder • Geeignet für einzelne Bilder oder Videodateien oder -ströme • Einsatz in der Cloud oder lokal on premises
Dieser Inhalt ist gesperrt.
Um ihn anzuzeigen, aktivieren Sie bitte Marketing-Cookies in Ihren Datenschutzeinstellungen oder schauen Sie ihn direkt auf YouTube an:
Kontakt
Ihr Ansprechpartner
Malte Becker
Specialised Sales KI & Data Science