Fortschritte in der Künstlichen Intelligenz (KI) haben die heutigen Nutzerdienste geprägt, wodurch eine verbesserte Personalisierung dieser Dienste und neue Unterstützungsformen ermöglicht wurden. Da solche KI-basierten Dienste -- in dieser Arbeit kurz als KI-Dienste (engl. AI services) bezeichnet -- notwendigerweise (teils sensible) Nutzerdaten erfordern, sind die daraus resultierenden Auswirkungen auf die Privatsphäre de facto die Kehrseite der Medaille: Einmal zur Verfügung gestellte Daten, z.B. für KI-Dienste, die in der Cloud des Anbieters oder auf nahegelegenen Geräten von Drittanbietern laufen, können für andere (oft kommerzielle) Zwecke als die ursprünglich beabsichtigten Zwecke verwendet werden -- auch ohne die Zustimmung oder Kenntnis des Nutzers. Obwohl bestehende Ansätze zum Schutz der Nutzerdaten vielfältig sind, geht jeder von ihnen einen gewissen Kompromiss zwischen der Personalisierung der Nutzerdienste, der Privatsphäre der Nutzer und seiner praktischen Anwendbarkeit ein -- zurzeit existiert keine praktisch-einsetzbare Lösung, die diese Aspekte gleichermaßen und vollumfänglich berücksichtigt.

Diese Arbeit erforscht einen Daten-Dezentralisierungs-Ansatz im Kontext personalisierter KI-Dienste, um einen für den Nutzer vorteilhafteren Kompromiss zu erzielen -- bei gleichzeitiger Berücksichtigung der Anbieterinteressen. Insgesamt umfasst diese Arbeit sieben (7) Hauptbeiträge: Zwei tragen zum systematischen Verständnis der Anforderungen an den Schutz der Privatsphäre und Nutzererwartungen an KI-Dienste bei; die restlichen fünf sind technische Beiträge, von denen drei neuartige Schutzmechanismen und zwei Konzepte für einen dezentralen (stadtweiten) Betrieb darstellen. Der erste Beitrag stellt eine Nutzerstudie vor, die zunächst untersucht, welche Erwartungen die Nutzer an solche personalisierten KI-Dienste haben und in welchem Ausmaß Bedenken hinsichtlich ihrer Privatsphäre bestehen. Basierend auf diesen Erkenntnissen klassifiziert der zweite Beitrag zunächst die relevanten verwandten Arbeiten in einer neuartigen Weise und identifiziert bestehende Forschungslücken -- von denen einige in dieser Arbeit, wie nachfolgend näher erläutert, adressiert werden.

Während die Daten-Dezentralisierung den Nutzern mehr Kontrolle über ihre eigenen Daten verspricht, bringt sie aufgrund der Notwendigkeit lokal laufender KI-Dienste Probleme sowohl in Bezug auf die Effizienz als auch den Schutz des geistigen Eigentums des Anbieters mit sich. Dieser Teil der Arbeit steuert drei Bausteine bei, um diese Probleme zu adressieren: Der dritte Beitrag dieser Arbeit umfasst eine Privacy by Design-Plattform, die auf einer offenen Architektur und lokalen „daten-einsperrenden“ Datenspeicher basiert; diese bietet zudem eine Design- und Laufzeitunterstützung für lokal laufende KI-Dienste an und bildet somit die Grundlage für die folgenden Bausteine. Der vierte Beitrag trägt einen Baustein für die vertrauliche, lokale Verarbeitung von Nutzerdaten durch KI-Dienst bei, wobei insbesondere das geistige Eigentum der Anbieter -- auch auf nicht vertrauenswürdigen Geräten von Drittanbietern -- geschützt wird. Der fünfte Beitrag trägt einen Baustein bei, um das Kaltstartproblem und die Effizienzprobleme speziell von KI-Diensten, die auf überwachte Lernalgorithmen bei der lokalen Personalisierung aufbauen, zu adressieren.

Um nicht nur von einer (Umgebungs-)Unterstützung zu Hause zu profitieren, ermöglicht der letzte Teil dieser Arbeit einen stadtweiten, dezentralen Betrieb dieser Plattform: Der sechste Beitrag schlägt zwei kosteneffiziente (Edge Computing-)Infrastrukturkonzepte vor, die bereits existierende (aber zweckfremde) Infrastrukturen ausnutzen: das eine Konzept basiert auf Straßenlampen in öffentlichem Besitz; das andere nutzt ein „Sharing“-Konzept, um privat-betriebene drahtlose Heimrouter und daran angeschlossene lokale Ressourcen für andere Nutzer nutzbar zu machen. Der siebte und letzte Beitrag trägt einen proaktiven, effizienten „Deployment“-Mechanismus bei, um den inhärenten Initialisierungsaufwand von (personalisierten, datenschützenden) KI-Diensten auf nahegelegenen Geräten für mobile Benutzer zu verbergen.

Eine Reihe von Evaluationen auf exemplarischen KI-Diensten zeigt die Machbarkeit aller Beiträge und bestätigt zugleich den erreichten einzigartigen Kompromiss zwischen den drei Aspekten Personalisierung, Privatsphärenschutz und Anwendbarkeit.