Schutz von Daten in ML-Pipelines durch Verschlüsselung von Trainingssets, Abwehr von Data Poisoning, Membership-Inference-Angriffen und Modellinversion, die sensible Informationen extrahieren könnten. Deckt Differential Privacy, sichere Mehrparteienberechnung für föderiertes Lernen, Bereinigung sensibler Datensätze und Kontrolle der Datenherkunft ab, um Backdoor-Injektionen während des Trainings zu verhindern.