Seminar deltaDAO Pontus-X – Compute-to-Data und vertrauliche Analysen

Das Seminar zeigt, wie Analysen durchgeführt werden können, ohne Rohdaten an den Konsumenten zu übertragen. Technische Isolation, Algorithmusfreigabe, Ergebnisbegrenzung und belastbare Nachweise werden mit dem Datenprodukt- und Vertragsmodell verbunden.

Inhaltsverzeichnis

• Lernziele
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Compute-to-Data gegenüber Download, API-Zugriff und klassischer Datenübertragung abgrenzen.
• Daten- und Algorithmusangebote mit eindeutigen Sicherheitsgrenzen modellieren.
• Allowlisting, Ressourcen, Parameter und Ergebnisfreigaben konfigurieren.
• Compute-Jobs starten, überwachen, auswerten und kontrolliert beenden.
• Datenschutz-, Geschäftsgeheimnis- und IP-Anforderungen praktisch absichern.

Schrittweise Seminarinhalte

1. Compute-to-Data-Vertrauensmodell

Schwerpunkt: Datenanbieter, Algorithmusanbieter, Konsument, Provider, Compute-Umgebung, Verträge, Datenhoheit, Ergebnis und Verantwortungsgrenzen.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Compute-to-Data-Vertrauensmodell“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Datenanbieter, Algorithmusanbieter, Konsument, Provider, Compute-Umgebung, Verträge, Datenhoheit, Ergebnis und Verantwortungsgrenzen modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis ein vollständiges Rollen- und Vertrauensmodell erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

2. Datenklassifikation und Bedrohungsanalyse

Schwerpunkt: Sensitivität, Personenbezug, Geschäftsgeheimnisse, Modellrisiken, Exfiltration, Rekonstruktion, Seiteneffekte und zulässige Ergebnisse.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Datenklassifikation und Bedrohungsanalyse“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Sensitivität, Personenbezug, Geschäftsgeheimnisse, Modellrisiken, Exfiltration, Rekonstruktion, Seiteneffekte und zulässige Ergebnisse modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis eine CtD-spezifische Schutzbedarfs- und Bedrohungsanalyse erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

3. Daten- und Algorithmusassets

Schwerpunkt: DDO, Metadaten, Datenquelle, Algorithmuscode, Container, Version, Entrypoint, Parameter, Qualitätsmerkmale und Eigentum.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Daten- und Algorithmusassets“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von DDO, Metadaten, Datenquelle, Algorithmuscode, Container, Version, Entrypoint, Parameter, Qualitätsmerkmale und Eigentum modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis ein abgestimmtes Daten- und Algorithmusangebot erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

4. Zugriffspolitik und Algorithmusfreigabe

Schwerpunkt: Allowlist, Denylist, Herausgeber, konkrete Algorithmen, Laufzeit, Zweck, Ressourcen, Parametergrenzen und Widerruf.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Zugriffspolitik und Algorithmusfreigabe“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Allowlist, Denylist, Herausgeber, konkrete Algorithmen, Laufzeit, Zweck, Ressourcen, Parametergrenzen und Widerruf modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis eine fein abgestufte Compute-Zugriffsrichtlinie erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

5. Compute-Umgebung und Ausführungsisolation

Schwerpunkt: Docker, Kubernetes, Mounts, Netzwerk, CPU und GPU, Secrets, temporäre Daten, Protokolle, Aufräumen und Mandantentrennung.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Compute-Umgebung und Ausführungsisolation“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Docker, Kubernetes, Mounts, Netzwerk, CPU und GPU, Secrets, temporäre Daten, Protokolle, Aufräumen und Mandantentrennung modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis eine gehärtete Ausführungsarchitektur erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

6. Job-Lifecycle und Ergebnisfreigabe

Schwerpunkt: Jobstart, ID, Status, Timeout, Fehler, Wiederholung, Ergebnisse, Filter, Mindestgruppen, Export, Löschung und Nachweis.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Job-Lifecycle und Ergebnisfreigabe“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Jobstart, ID, Status, Timeout, Fehler, Wiederholung, Ergebnisse, Filter, Mindestgruppen, Export, Löschung und Nachweis modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis einen kontrollierten Job- und Ergebnisprozess erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

7. Datenschutz, IP-Schutz und Abnahme

Schwerpunkt: Datenminimierung, Zweckbindung, Offenlegungsprüfung, Algorithmus-IP, Audit, Nachvollziehbarkeit, Negativtests und Freigabekriterien.

1. Ausgangslage, Beteiligte, Schutzbedarf und Zielkriterien für den Themenblock „Datenschutz, IP-Schutz und Abnahme“ erfassen.
2. Relevante Objekte, Rollen, Datenflüsse und Abhängigkeiten anhand von Datenminimierung, Zweckbindung, Offenlegungsprüfung, Algorithmus-IP, Audit, Nachvollziehbarkeit, Negativtests und Freigabekriterien modellieren.
3. Die erforderliche Konfiguration, Prozessfolge oder technische Umsetzung im Laborszenario schrittweise durchführen und Entscheidungen dokumentieren.
4. Funktion, Berechtigungen, Nachvollziehbarkeit und Fehlerverhalten mit definierten Positiv-, Negativ- und Grenzfällen prüfen.
5. Als Arbeitsergebnis einen vollständigen Sicherheits- und Abnahmekatalog erstellen, fachlich abnehmen und in einen wiederholbaren Standard überführen.

Praxisübungen und Laborszenarien

• Klassifikation eines vertraulichen Datensatzes und Auswahl geeigneter Schutzmaßnahmen.
• Modellierung eines Daten- und Algorithmusassets mit Allowlisting.
• Durchführung eines Compute-Jobs mit Status- und Ergebnisprüfung.
• Negativtests zu Parametergrenzen, nicht zugelassenem Algorithmus und Ergebnisoffenlegung.

Zielgruppe und Voraussetzungen

Zielgruppe: Data und AI Engineering, Data-Space-Architektur, Informationssicherheit, Datenschutz, Forschungsdatenmanagement und technische Projektleitung.

Voraussetzungen: Grundkenntnisse in Datenanalyse, Containern, APIs und Zugriffskontrolle; Pontus-X-Grundlagen sind empfehlenswert.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Arbeitsschritte, praktische Übungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Verfahren im Projekt- oder Regelbetrieb wiederholbar bleiben.