Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
06 2020 Elektronik 27 Mikroprozessoren und IP Hauptanforderung darin dass erhebliche Investitionen in die Erstellung oder Pflege der Daten in der Datenbank getätigt wurden Wie beim Urheberrecht ist keine formelle Registrierung oder Anmeldung erforderlich Beispiele für geschützte Datenbanken sind Online-Wörterbücher kategorisierte Bildersammlungen und Quelldaten für kartografische Werke Auf jeden Fall müssen die Daten hinsichtlich Durchsuchund Auffindbarkeit organisiert sein Außerhalb der Europäischen Union wird das Datenbankrecht jedoch nicht anerkannt was den Stand der Rechte an geistigem Eigentum verkompliziert Die USA haben eine langjährige Rechtstradition nach der Datensammlungen nicht durch IP-Rechte geschützt werden können nur kreative Werke genießen Urheberrechtsschutz Geschäftsgeheimnisse Der Status von Geschäftsgeheimnissen ist weltweit unterschiedlich geregelt aber im Allgemeinen ist die missbräuchliche Verwendung gut geschützter Informationen strafbar In diesem Fall muss der Eigentümer der Informationen nachweisen welche angemessenen Sicherheitsmaßnahmen er gegen unbefugten Zugriff ergriffen hat Ein vermeintlicher Dieb des Geschäftsgeheimnisses könnte sonst seinerseits nachweisen dass die Informationen bereits öffentlich verfügbar waren In der Regel schützen Unternehmen ihre Geschäftsgeheimnisse indem sie mit Kunden oder anderen Dritten Geheimhaltungsvereinbarungen Non Disclosure Agreements NDAs abschließen Strenge vertragliche Verpflichtungen verbieten dann das Kopieren oder Wiederverwenden und in einigen Ländern wird dies durch Vertragsstrafen oder andere rechtliche Maßnahmen noch verschärft NDA-Klauseln können auch in anderen Vereinbarungen enthalten sein Jemand der sich die vertraulichen Daten aus einem rechtmäßigen Kauf eines Produkts aneignet ist jedoch nicht an solche Bestimmungen gebunden selbst wenn spezielle Techniken wie Reverse Engineering angewendet werden Dies schwächt das Geschäftsgeheimnisrecht Schutz des IPs für maschinelles Lernen Ein Konkurrent oder jemand anders mit weniger edlen Absichten hat verschiedene Möglichkeiten von der Arbeit oder den Investitionen des Erstellers eines ML-Systems zu profitieren Angesichts der Einzigartigkeit von ML stellt sich die Frage Wie kann das IPRecht angewendet werden um die verschiedenen Aspekte dieser neuartigen Technik zu schützen? Schutz der Trainingsdaten Das Erstellen guter Trainingsdaten für eine bestimmte ML-Anwendung kann zeitaufwändig und teuer sein In einer typischen Umgebung haben potenzielle Plagiatoren keinen direkten Zugriff auf die Trainingsdaten Trainingsdaten wären über das Datenbankrecht geschützt wenn der Inhaber der Trainingsdaten seinen Hauptgeschäftssitz in der Europäischen Union hat Ein solches Recht wäre jedoch nur gegen einen Plagiator in derselben Gerichtsbarkeit durchsetzbar Ob ML-Trainingsdaten urheberrechtlich geschützt werden können ist eine schwierigere Frage Trainingsdaten sind kein Kunstwerk Unter normalen Umständen stellen sie nur sicher dass die Daten zum Einsatzszenario passen Das Erstellen eines passenden Datensatzes zu einem Thema ist keine schöpferische Tätigkeit im Sinne des Urheberrechts Ein möglicher Urheberrechtsanspruch besteht aber auf die Datenklassifizierungsdeskriptoren Wenn Kategorien durch einen kreativen Prozess ausgewählt werden schön hässlich stark schwach groß klein könnten die Trainingsdaten durch diese kreative Einteilung als urheberrechtlich geschützt eingestuft werden Eine Klassifizierung nach Sachverhalten Katze Hund Ampel Straßenlaterne Parkschild vermittelt keine Kreativität und unterliegt damit vermutlich nicht dem Schutz durch das Urheberrecht In einigen Anwendungen werden Trainingsdaten durch Simulation oder andere künstliche Vorgänge erzeugt Man könnte argumentieren dass diese Trainingsdaten urheberrechtlich geschützt sein könnten da die Wahl wie simuliert oder generiert werden soll als kreatives Mittel angesehen werden könnte Bisher wurde ein solcher Fall jedoch noch nicht vor Gericht verhandelt Unternehmen betrachten ihre Trainingsdaten häufig als sorgfältig gehütete Geheimnisse Da ein Zugriff auf die Trainingsdaten nicht benötigt wird um das ML-Model verwenden zu können scheint dies unkompliziert zu sein Terminologie ➔ Architektur des neuronalen Netzes Die Sammlung von Neuronen im neuronalen Netzwerk die Verbindungen zwischen diesen und die verwendeten Aktivierungsfunktionen Diese Architektur kann als gerichteter Graph visualisiert werden ➔ Trainingsdaten Ein Datensatz der zum Trainieren der Architektur verwendet wird mit dessen Hilfe die richtigen Gewichte bestimmt werden ➔ Test Set Ein zweiter Datensatz mit dem getestet und validiert wird ob das Modell das erwartete Ergebnis liefert ➔ ML-System Die Software und Hardware mit deren Hilfe maschinelles Lernen implementiert wird Training und oder Inferenz ➔ Modell Für neuronale Netze ist das Modell die Sammlung von Gewichten die den Verbindungen der neuronalen Netzarchitektur zugeordnet sind Diese Gewichte werden während des Trainings gesammelt ➔ Trainingsparameter Die für die Steuerung des Trainingsalgorithmus eingesetzten Parameter z Bwie oft sollten die Trainingsdaten wiederholt werden? Wie viele Einzeldaten sind abzuarbeiten bevor die Gewichte aktualisiert werden müssen? Wie groß sind die Veränderungen die pro Aktualisierung auf die Gewichte anzuwenden sind Welche Kostenfunktion wird für die Optimierung herangezogen?