Visuelle Datenanonymisierung bedeutet, Fotos und Videos so zu transformieren, dass natürliche Personen nicht mehr identifizierbar sind. In der Praxis umfasst dies häufig Gesichtsverpixelung und Kennzeichenverpixelung, kombiniert mit der Entfernung von Metadaten sowie Maßnahmen zum Schutz vor Re-Identifizierung. Für das Training von KI-Modellen mit Foto- und Video-Datensätzen ermöglicht Anonymisierung die Nutzung umfangreicher Datensätze, reduziert gleichzeitig Risiken für personenbezogene Daten und unterstützt Datenschutz durch Technikgestaltung und datenschutzfreundliche Voreinstellungen.
Nach der DSGVO und der UK GDPR gelten Fotos oder Videos als personenbezogene Daten, wenn eine Person direkt oder indirekt identifiziert werden kann, auch durch die Kombination von Elementen wie Umgebung, Kleidung oder einzigartigen Objekten [1][2]. Sind Personen identifizierbar, erfordert das Modelltraining eine Rechtsgrundlage und muss die Grundsätze der Zweckbindung, Datenminimierung und Speicherbegrenzung einhalten [1]. Anonymisierte Daten fallen nur dann nicht in den Anwendungsbereich der DSGVO, wenn eine Identifizierung einer Person mit keinen Mitteln mehr möglich ist, die vernünftigerweise eingesetzt werden könnten, unter Berücksichtigung verfügbarer Technologien und Kosten (Erwägungsgrund 26) [1].
Der EU AI Act führt Governance-Anforderungen über den gesamten KI-Lebenszyklus ein. Er enthält Vorgaben zu Risikomanagement, Daten-Governance und technischer Dokumentation für bestimmte KI-Systeme und ergänzt das bestehende EU-Datenschutzrecht, anstatt es zu ersetzen. Anonymisierung und robuste Schwärzung können die Datenminimierung unterstützen und Risiken wie unbeabsichtigtes Memorieren oder Model Inversion reduzieren, machen einen Anwendungsfall jedoch nicht automatisch konform, wenn Personen weiterhin identifizierbar bleiben [5].
Aufsichtsbehörden weisen auf besondere Aspekte bei Bildern aus Videoüberwachung (CCTV) oder öffentlichen Räumen hin, insbesondere wenn diese über Sicherheitszwecke hinaus für Analysen oder Veröffentlichungen genutzt werden [2][3]. Organisationen führen häufig eine Datenschutz-Folgenabschätzung (DSFA/DPIA) durch, bevor öffentlich zugängliche Bereiche in großem Umfang oder systematisch überwacht werden oder wenn neue Technologien die Risiken erhöhen könnten [1][3].
Während viele Veröffentlichungs- und Trainingsszenarien eine Rechtsgrundlage oder Anonymisierung erfordern, werden in der Praxis des Bildrechts häufig drei bekannte Ausnahmen genannt. Diese sind kontextabhängig und variieren je nach Rechtsordnung. Die drei Ausnahmen sind:
Diese Ausnahmen setzen datenschutzrechtliche Pflichten nicht außer Kraft, wenn Personen identifizierbar bleiben. Sie werden häufig parallel zu Interessenabwägungen (berechtigte Interessen), Ausnahmen für die Meinungsfreiheit und lokalen Bildrechten betrachtet. Für das KI-Training ist die Berufung auf solche Ausnahmen weniger vorhersehbar als Anonymisierung, da das Modelltraining oft eine Zweckänderung über den ursprünglichen Aufnahmekontext hinaus darstellt.
Re-Identifizierungsrisiko. Selbst wenn Gesichter verpixelt sind, kann eine Kombination aus markanter Kleidung, Tattoos, Ortsmerkmalen oder Zeitstempeln eine Identifizierung ermöglichen. Organisationen betrachten Verpixelung daher häufig nur als eine Ebene innerhalb einer umfassenderen Strategie, die bei risikoreichen Szenen auch Zuschneiden, Maskieren oder Hintergrundschwärzung umfasst, orientiert am Maßstab der „vernünftigerweise einzusetzenden Mittel“ aus Erwägungsgrund 26 [1].
Hintergrund-Identifikatoren. Whiteboards, Bildschirme, Dokumente im Bildausschnitt oder Gebäudebeschilderungen können Namen, E-Mail-Adressen oder Anschriften offenlegen. Kennzeichen im Hintergrund werden ohne mehrskalige Erkennung leicht übersehen.
Metadaten. EXIF-Daten können GPS-Koordinaten, Gerätekennungen und Aufnahmedaten enthalten. Das Entfernen oder Minimieren von Metadaten vor dem Teilen oder Veröffentlichen kann das Verknüpfungsrisiko erheblich reduzieren [2].
Erkennungsfehler. Gesichts- und Kennzeichendetektoren erzeugen False Negatives und False Positives. Übersehene Erkennungen legen Identitäten offen, während übermäßige Verpixelung den Nutzwert des Datensatzes beeinträchtigen kann. Die Genauigkeit ist stark kontextabhängig und variiert je nach Licht, Blickwinkel, Verdeckung und Kameratyp. Eine menschliche Nachprüfung (Human-in-the-Loop) bleibt bei sensiblen Veröffentlichungen gängige Praxis.
On-Premise-Software kann die Übermittlung personenbezogener Daten an externe Auftragsverarbeiter reduzieren und - abhängig von Architektur und Anbietern - die Exponierung gegenüber Drittstaatenzugriffen besser steuern. Zudem erleichtert sie die Auditierbarkeit, unterstützt die Rechenschaftspflicht nach DSGVO und entspricht den Governance-Erwartungen des EU AI Act über den Lebenszyklus hinweg für erfasste Systeme [1][5]. Entdecken Sie Gallio PRO für On-Premise-Verarbeitungsoptionen, die zu diesem Workflow passen.
Die folgende Tabelle hebt gängige Praxispunkte hervor. Sie ersetzt keine Rechtsberatung und ist als hochrangige, kontextabhängige Orientierung auf Basis öffentlich zugänglicher Materialien zu verstehen.
Thema | DSGVO (EU) | UK GDPR + Data Protection Act 2018
|
|---|---|---|
Bilder als personenbezogene Daten | Fotos und Videos sind personenbezogene Daten, wenn eine Person direkt oder indirekt identifizierbar ist [1]. | Gleicher Ansatz. Leitlinien des ICO liefern praxisnahe Beispiele für Fotos und CCTV [2][3]. |
Rechtsgrundlage für Veröffentlichung | Häufig berechtigte Interessen für bestimmte operative Veröffentlichungen, vorbehaltlich Interessenabwägung und Kontext. Einwilligung wird in einigen Szenarien genutzt, z. B. bei Marketingporträts aus der Nähe. Kontextabhängig. | Gleich. Der ICO betont Transparenz, berechtigte Erwartungen und das Widerspruchsrecht, wo zutreffend [2]. |
DSFA-Indikatoren | Systematische Überwachung öffentlich zugänglicher Bereiche in großem Umfang oder neue Technologien mit erhöhtem Risiko sind typische Auslöser für eine DSFA [1]. | ICO-Leitlinien zeigen, dass systematische Überwachung und neue Technologien je nach Umfang und Risiko eine DSFA erfordern können [3]. |
Anonymisierungsstandard | Anonymisiert, wenn eine Identifizierung unter Berücksichtigung von Mitteln und Kosten nicht mehr vernünftigerweise wahrscheinlich ist (Erwägungsgrund 26) [1]. | Gleicher Standard in der UK GDPR. ICO-Leitlinien behandeln robuste Anonymisierung und den Umgang mit Restrisiken [2]. |
Ausnahmen für Meinungsfreiheit | Regelungen der Mitgliedstaaten gelten für journalistische sowie akademische/künstlerische/literarische Zwecke. Stark kontextabhängig. | Der Data Protection Act 2018 sieht Ausnahmen vor, u. a. für Journalismus sowie Forschung/Statistik unter bestimmten Bedingungen. Stark kontextabhängig [4]. |
Teams, die regelmäßige Veröffentlichungen oder den Austausch von Datensätzen planen, können diese Punkte in DSFA-Checklisten, Schwärzungsprofile und Freigabeprozesse überführen. Demo herunterladen, um dies in einer On-Premise-Umgebung zu testen.
Die Qualitätssicherung sollte sich auf messbare Abdeckung und Fehlerraten konzentrieren. Erstellen Sie Ground-Truth-Stichproben mit manuellen Annotationen. Vergleichen Sie automatisierte Gesichts- und Kennzeichenverpixelung mit dem Ground Truth, um False Negatives und False Positives zu schätzen. Verfolgen Sie die Leistung nach Szenarien wie Nachtaufnahmen, Helmen, Masken und Fisheye-Kameras. Berichten Sie Ergebnisse als kontextabhängige Kennzahlen statt universeller Genauigkeitsversprechen. Für Veröffentlichungen strengere Schwellenwerte und manuelle Prüfungen anwenden. Für das Modelltraining die Anonymisierungsstärke mit dem Nutzwert ausbalancieren, indem risikoreiche Attribute unterdrückt werden, während nicht identifizierende, aufgabenrelevante Merkmale erhalten bleiben.
Organisationen, die diesen Workflow operationalisieren möchten, können ihn mit internen Richtlinien und Lieferanten-Due-Diligence abstimmen. Kontaktieren Sie uns, um On-Premise-Verarbeitungskontrollen, rollenbasierte Zugriffe und Audit-Logging zu besprechen.
Nicht immer. Bleibt eine Person mit vernünftigerweise einzusetzenden Mitteln identifizierbar, etwa durch markante Kleidung oder Ortsmerkmale, enthält der Datensatz weiterhin personenbezogene Daten. Je nach Kontext und Risiko kann eine Kombination aus Gesichtsverpixelung, Kennzeichenverpixelung, Hintergrundschwärzung und Entfernung von Metadaten erforderlich sein [1][2].
Immer dann, wenn Fahrzeuge so erscheinen, dass Fahrer oder Halter identifizierbar sind oder eine Verknüpfung zu einer Person möglich ist (z. B. bei lesbaren Kennzeichen im Kontext). Das ist typisch für Straßenszenen, Parkplätze und Gebäudeeingänge. Beim Modelltraining sollte die Kennzeichenerkennung mehrskalig aktiviert werden, um auch entfernte Fahrzeuge zu erfassen.
Das hängt von Risiko, Architektur und Verträgen ab. On-Premise-Software kann externe Datenübertragungen reduzieren und eine stärkere Kontrolle über Zugriff und Aufbewahrung ermöglichen. Bei Cloud-Nutzung sind angemessene Sicherheitsmaßnahmen umzusetzen und eine konforme Verantwortlicher-Auftragsverarbeiter-Vereinbarung sicherzustellen, einschließlich etwaiger Anforderungen an internationale Datenübermittlungen nach DSGVO/UK GDPR.
GPS-Koordinaten und Gerätekennungen aus Veröffentlichungskopien entfernen. Für interne Compliance nur die minimal erforderlichen technischen Protokolle zur Rechenschaftspflicht und Fehlerbehebung aufbewahren und unnötige Metadaten vermeiden, die eine Re-Identifizierung ermöglichen würden. ICO-Leitlinien behandeln den sorgfältigen Umgang mit Bildern und zugehörigen Informationen [2].
Es gibt kein universelles Niveau. Wählen Sie Pixelierung oder Gaußsche Unschärfe, die eine praktische Identifizierung verhindert und gegenüber vernünftigerweise wahrscheinlicher Bildverbesserung robust ist. Testen Sie unter verschiedenen Lichtverhältnissen, Blickwinkeln und Bewegungen. Für öffentliche Freigaben sollte die Stärke in der Regel höher sein als für interne Analysen.
Er stärkt Governance-Erwartungen über den Lebenszyklus (für erfasste Systeme), einschließlich Risikomanagement und Daten-Governance, und gilt parallel zum bestehenden Datenschutzrecht. Anonymisierung und Datenminimierung können Risiken personenbezogener Daten reduzieren, beseitigen jedoch keine DSGVO-Pflichten, wenn Personen identifizierbar bleiben [5].
Sie sind kontextabhängig und beziehen sich typischerweise auf Bildveröffentlichung/Bildrechte, nicht auf eine umfassende Zweckänderung für Trainingszwecke. Für Trainingsdatensätze bietet Anonymisierung (oder eine andere klar anwendbare Rechtsgrundlage mit geeigneten Schutzmaßnahmen) in der Regel vorhersehbarere Compliance-Ergebnisse.
