{"id":527172,"date":"2022-10-28T07:44:00","date_gmt":"2022-10-28T07:44:00","guid":{"rendered":"https:\/\/www.capgemini.com\/de-de\/?p=527172"},"modified":"2025-07-09T06:53:42","modified_gmt":"2025-07-09T06:53:42","slug":"machine-learning-mit-quantencomputern","status":"publish","type":"post","link":"https:\/\/www.capgemini.com\/de-de\/insights\/blog\/machine-learning-quantencomputer\/","title":{"rendered":"Machine Learning mit Quantencomputern"},"content":{"rendered":"\n

Machine Learning mit Quantencomputern<\/h1><\/div><\/div><\/div><\/div>
\"\"<\/div>
Dr. Eldar Sultanow<\/h5>
28. Okt. 2022<\/h5><\/div><\/div>
<\/div><\/div><\/div><\/div><\/header>\n\n\n\n
\n

Quantum Machine Learning: eine neue Gefahr f\u00fcr die IT-Sicherheit oder besonders anf\u00e4llig gegen\u00fcber Cyberangriffen?<\/h2>\n\n\n\n

Im Auftrag des BSI haben wir in einer Studie zusammen mit unserem Partner Fraunhofer IAIS erfasst, was mit Quantum Machine Learning tats\u00e4chlich schon m\u00f6glich ist. <\/p>\n\n\n\n

Wie sind wir hierzu vorgegangen? Als Ausgangspunkt f\u00fcr die Betrachtung der Angreifbarkeit von ML\/QML Systemen haben wir den klassischen ML-Lebenszyklus herangezogen und die Unterschiede zwischen klassischem ML- und QML-Lebenszyklus herausgearbeitet. In der n\u00e4heren Zukunft wird es noch einige Kontinuit\u00e4t geben \u2013 beispielsweise werden Trainingsdaten voraussichtlich weiterhin mit klassischem Computing gesammelt, erstellt und verwaltet.<\/p>\n\n\n\n

Die Angreifbarkeit des klassischen ML leiten wir aus dem Lebenszyklusmodell ab. Es enth\u00e4lt 5 wiederholbare Phasen: Das Erheben und Vorverarbeiten von Daten sowie das Trainieren, Testen und Anwenden des Modells. Wir haben m\u00f6gliche Angriffe auf die einzelnen Phasen des ML\/QML Lebenszyklus ermittelt sowie weitere Angriffsfl\u00e4chen erl\u00e4utert, klassifiziert und eingeordnet.<\/p>\n\n\n\n

Vier h\u00e4ufige ML-spezifische Angriffstypen lassen sich unterscheiden (es gibt noch weitere):<\/h3>\n\n\n\n