heiBOOKS

Beim Einsatz von Machine Learning in der Agrosystemforschung zeigen sich diverse rechtliche „Pitfalls“, welche hier vorgestellt werden. Zusätzlich wird eine Lösungsmöglichkeit präsentiert. Die rechtlichen Probleme lassen sich auf verschiedene „Lebensphasen“ eines ML-Modells aufteilen: Training, die Existenz des Modells selbst und sein schlussendlicher Einsatz. Rechtliche Probleme ergeben sich vor allem im Zusammenhang mit dem Training: Daten können rechtlich geschützt sein. Gleichzeitig sieht das Recht gewisse Ausnahmen vor, welche fruchtbar gemacht werden können. Ein zusätzliches und noch im Wachstum befindliches Feld ist der rechtliche Schutz der beim Training entstehenden Modelle. Bei deren Schaffung bedarf es nicht unerheblicher menschlicher Leistung, sodass die Beteiligten ein Interesse daran haben, ihre Urheberschaft anerkannt zu bekommen und eventuell auch daran, das weitere Schicksal der Modelle zu beeinflussen. Rechtlich bestehen dabei noch massive Unsicherheiten. Den rechtlichen Problemen gemeinsam ist ihre hohe Komplexität, die sich teilweise erst im Laufe des Vorhabens zeigt. Daher können Rechtsfragen vor Projektbeginn nicht erschöpfend abgehandelt werden, sondern es ist eine rechtliche Begleitung notwendig, welche zudem auf hohem Niveau arbeitet – das auch aufgrund der Herausforderungen durch das neue EU-Datenrecht. FAIRagro setzt dabei auf das Modell des Data Steward Service Center (DSSC). Dieses unterstützt Forschende aus der Agrosystemcommunity bei auftretenden Problemen in allen Bereichen des Forschungsdatenmanagements – inklusive rechtlichen und ethischen Themen. Dieses Modell kann auch Vorbild für andere Forschungsdatencommunities sein.

Keywords: Machine Learning, Data Law, Copyright Law, Data Protection Law, Artificial Intelligence Law