Das Dissertationsprojekt setzt sich mit der Schutzfähigkeit von Machine Learning Modellen (ML-Modelle) auseinander. Untersucht wird, wie die ML-Modelle de lege lata geschützt sind und wie sie de lege ferenda geschützt werden sollten. Beim Machine Learning (ML), dem zentralen Bereich der künstlichen Intelligenz (KI), sind die Algorithmen lernfähig - sie entwickeln sich also aufgrund von Erfahrung basierend auf Daten selbstständig weiter. Das, was ein Machine Learning System (ML-System) durch die Trainingsdaten gelernt hat, wird in sog. ML-Modellen gespeichert. Das Potential von KI scheint in allen Lebensbereichen und über sämtliche Wirtschaftsbranchen hinweg grenzenlos zu sein. Daher erstaunt es nicht, dass der wirtschaftliche Wert von ML-Modellen, dem eigentlichen Herzstück eines ML-Systems, für deren Entwickler und Entwicklerinnen immens ist. Ebenso wenig verwundert es, dass das Interesse am rechtlichen Schutz von ML-Modellen gross ist. Das zeigt auch die zunehmende Forschung in Deutschland zur Frage nach der Schutzfähigkeit von ML-Modellen. Im Unterschied zu Deutschland ist diese Frage in der Schweiz bislang unerforscht. An die Schutzfähigkeit knüpfen sich verschiedene Fragen an, wie etwa nach dem Urheberrecht, Patentrecht, Lauterkeitsrecht oder dem Vertragsrecht. Kann ein ML-Modell urheberrechtlich als Computerprogramm qualifiziert werden? Ist es ein Sammelwerk? Stellt es eine patentierbare Erfindung dar? Ist ein lauterkeitsrechtlicher Schutz als Geschäftsgeheimnis möglich? Und wie kann ein ML-Modell vertraglich bestmöglich vor unerlaubter Verwendung und unbefugtem Kopieren geschützt werden? Ziel der Untersuchung ist ein umfassendes Standardwerk zur Schutzfähigkeit von ML-Modellen in der Schweiz, das mehr Rechtssicherheit schafft, Regelungslücken aufzeigt und zukunftsfähige Lösungsvorschläge unterbreitet.