Trus­ted Data Hub


Sensi­ble Daten für Mehr-Parteien ML-Anwen­­dun­­gen und Analy­sen gemein­sam nutzen ohne Rohda­ten preiszugeben.


Trus­ted Data Hub im Video


Im hier gezeig­ten Video erhal­ten Sie einen kurzen Über­lick über die Funk­ti­onweise des ADVANEO Trus­ted Data Hubs mit Anwendungsbeispielen


Privacy Preser­ving Multi-Party-Compu­­ting (MPC):


Daten für Mehr-Parteien ML-Anwen­­dun­­gen und Analy­sen gemein­sam nutzen ohne den Zugang zu sensi­blen Daten preiszugeben.


Privacy Preser­ving Machine Learning


Die gemein­same Auswer­tung und Nutzung von Daten verschie­de­ner Parteien, z.B. von Maschi­nen, schei­tert in der Regel an Fragen der Geheim­hal­tung, des Wett­be­werbs und der direk­ten Konkur­renz. Der “Trus­ted Data Hub”, eine neuar­tige Kombi­na­tion von Hard- und Soft­ware­tech­no­lo­gien, bietet die Lösung, um Firmen­ge­heim­nisse zu schüt­zen und gleich­zei­tig Daten für KI-basierte Analy­sen gemein­sam zu nutzen.


Daten blei­ben privat, öffent­li­che Analy­sen werden möglich


“Trus­ted Hub Solu­tion” bietet herstel­ler­un­ab­hän­gi­ges, daten­sou­ve­rä­nes maschi­nel­les Lernen (PPML) und Multi-Party-Compu­­ting (MPC). PPML ermög­licht das Trai­ning des Modells der künst­li­chen Intel­li­genz (KI) und des maschi­nel­len Lernens (ML), sodass die Privat­sphäre der Daten gewahrt bleibt.


Daten analy­sie­ren ohne sie offenzulegen


Das MPC ermög­licht es Insti­tu­tio­nen, Analy­sen von priva­ten Daten durch­zu­füh­ren, die sich im Besitz mehre­rer ande­rer Insti­tu­tio­nen befin­den, ohne dass diese Daten jemals offen­ge­legt werden. Mit ande­ren Worten, MPC ist eine Tech­nik, bei der Berech­nun­gen und Daten­ana­ly­sen mit den Einga­ben verschie­de­ner Parteien durch­ge­führt werden. Die Parteien erhal­ten keinen Einblick über die von den ande­ren Parteien zur Verfü­gung gestell­ten Daten – ledig­lich die Ergeb­nisse der Daten­ana­lyse werden geteilt.


Garant für Geheimhaltung


Die Trus­ted Data Hub-Lösung garan­tiert, dass die teil­neh­men­den Parteien nur die Ergeb­nisse, aber keine Infor­ma­tio­nen über die Einga­ben ande­rer erhalten.


Anwen­dungs­fälle in verti­ka­len Domänen


Viele Anwen­dun­gen in verti­ka­len Domä­nen können vom Trus­ted Data Hub profi­tie­ren. Ein wich­ti­ges Beispiel ist der Bereich der predic­tive main­ten­ance (voraus­schau­ende Wartung). Um diese zu reali­sie­ren, müssen die Herstel­ler von Maschi­nen in der Regel Zugang zu Rohda­ten mehre­rer Nutzer haben. Gleich­zei­tig wollen die Daten­be­sit­zer nicht einfach ihre Geschäfts­ge­heim­nisse oder maschi­nen­ge­ne­rierte Daten (MGD) offenlegen.


Daten­kon­trolle und Datenhoheit


Der Trus­ted Data Hub ermög­licht die Analyse der kombi­nier­ten schutz­be­dürf­ti­gen Daten von verschie­de­nen Unter­neh­men, ohne dass sie die Kontrolle über ihre Daten verlie­ren. Gleich­zei­tig können Maschi­nen­her­stel­ler durch die Auswer­tung oder Analyse der kombi­nier­ten Daten ihrer Kunden ihre Produkte und Dienst­leis­tun­gen erheb­lich verbes­sern. Die Maschi­nen­be­sit­zer profi­tie­ren beispiels­weise durch eine verbes­serte Maschi­nen­ver­füg­bar­keit und Maschi­nen­ein­stel­lun­gen oder durch die Redu­zie­rung des Verschleißes.


Modernste Tech­no­lo­gie


Im Gegen­satz zu allen ande­ren bestehen­den Lösun­gen ist der Trus­ted Hub von den verwen­de­ten Analy­­tic-Tools voll­stän­dig unab­hän­gig. Während wir die glei­che Genau­ig­keit und die glei­che Lauf­zeit bieten, unter­stützt der Trus­ted Hub nicht nur Python, sondern auch alle ande­ren ML-Frame­­works, z. B. Rapidmi­ner, Knime, H2O und Matlab.


Einfa­che Inte­gra­tion bei umfas­sen­der ML-Kompatibilität


Der Trus­ted Hub kann rela­tiv einfach in bestehende Systeme inte­griert werden, so dass er das Problem des Daten­schut­zes ohne Auswir­kun­gen auf die Anwen­dung und die Erfah­run­gen der Kunden angeht. Der Trus­ted Hub unter­stützt alle Daten­ty­pen (d.h. nume­ri­sche und kate­go­riale Daten) sowie alle ML-Funk­­tio­­nen (d.h. lineare und nicht-lineare Funk­tio­nen) und ist daher mit allen Arten von ML-Algo­ri­th­­men kompatibel.


Kompro­miss­lose Datensouveränität


Darüber hinaus schützt der Trus­ted Hub nicht nur die Daten, sondern kann auch den ML-Algo­ri­th­­mus selbst schüt­zen, d.h. nur der Erstel­ler des ML-Algo­ri­th­­mus kann auf den Code zugreifen.


Unkom­pli­zierte Implementierung


Die Imple­men­tie­rung und Einrich­tung des Trus­ted Hub ist sehr schnell und unkom­pli­ziert. Darüber hinaus ist keine indi­vi­du­elle Anpas­sung notwendig.



Vergleichstabelle Multi Party Computation (MPC)



Daten­schutz und Mehr­­par­­teien-Berech­­nungs­­­tech­­nikTrus­ted Data Hub 
(by ADVANEO)
Addi­ti­ver Schlüssel/GeheimfreigabeHomo­mor­phe Verschlüs­se­lung (HE)Diffe­ren­ti­el­ler Daten­schutz (DP)Föde­rier­tes Lernen (FL)
Zentralisiert/DezentralisiertZentra­li­siertDezen­tra­li­siert mit einem vertrau­ens­wür­di­gen ServerZentra­li­siertZentra­li­siertDezen­tra­li­siert mit einem vertrau­ens­wür­di­gen Server
Unter­stüt­zung der Mehrparteien-BerechnungJaJaNeinJaJa
Daten­schutz­ni­veauHochHochSehr hochHochHoch
ML-Algo­ri­th­­mus DatenschutzstufeJaNeinJaJaNein
Lauf­zeit & SkalierbarkeitHochMittelSehr geringMittelMittel
Genau­ig­keitHochMittelMittelMittelMittel
Program­mier­spra­che & ML-FrameworkAlle Frame­worksPythonHerstel­ler­ab­hän­gigBasie­rend auf Python und TensorflowTensor­flow und PySyft
Unter­stützte DatentypenNume­ri­sche und kate­go­riale DatenNume­ri­sche DatenNume­ri­sche DatenNume­ri­sche und kate­go­riale DatenNume­ri­sche und kate­go­riale Daten
Unter­stützte FunktionenAlle Funk­tio­nenNicht alleNicht alleAlle Funk­tio­nenAlle Funk­tio­nen
Netz­­werk-Over­­headMediumMediumMediumMediumHoch
EinsatzLeichtHartHartMittelEinfach/Mittel

© ADVANEO GmbH


Alle hier gezeig­ten Inhalte und Grafi­ken unter­lie­gen dem Urhe­ber­recht und dürfen ohne unsere Erlaub­nis nicht kopiert oder verwen­det werden.