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.
Datenschutz und Mehrparteien-Berechnungstechnik | Trusted Data Hub (by ADVANEO) | Additiver Schlüssel/Geheimfreigabe | Homomorphe Verschlüsselung (HE) | Differentieller Datenschutz (DP) | Föderiertes Lernen (FL) |
---|---|---|---|---|---|
Zentralisiert/Dezentralisiert | Zentralisiert | Dezentralisiert mit einem vertrauenswürdigen Server | Zentralisiert | Zentralisiert | Dezentralisiert mit einem vertrauenswürdigen Server |
Unterstützung der Mehrparteien-Berechnung | Ja | Ja | Nein | Ja | Ja |
Datenschutzniveau | Hoch | Hoch | Sehr hoch | Hoch | Hoch |
ML-Algorithmus Datenschutzstufe | Ja | Nein | Ja | Ja | Nein |
Laufzeit & Skalierbarkeit | Hoch | Mittel | Sehr gering | Mittel | Mittel |
Genauigkeit | Hoch | Mittel | Mittel | Mittel | Mittel |
Programmiersprache & ML-Framework | Alle Frameworks | Python | Herstellerabhängig | Basierend auf Python und Tensorflow | Tensorflow und PySyft |
Unterstützte Datentypen | Numerische und kategoriale Daten | Numerische Daten | Numerische Daten | Numerische und kategoriale Daten | Numerische und kategoriale Daten |
Unterstützte Funktionen | Alle Funktionen | Nicht alle | Nicht alle | Alle Funktionen | Alle Funktionen |
Netzwerk-Overhead | Medium | Medium | Medium | Medium | Hoch |
Einsatz | Leicht | Hart | Hart | Mittel | Einfach/Mittel |
© ADVANEO GmbH
Alle hier gezeigten Inhalte und Grafiken unterliegen dem Urheberrecht und dürfen ohne unsere Erlaubnis nicht kopiert oder verwendet werden.