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 der ADVANEO Trus­ted Data Hub 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) so, dass 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.


Verwendung von Cookies
Um die Webseite optimal gestalten und fortlaufend verbessern zu können, verwendet ADVANEO Cookies. Durch die weitere Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu. Weitere Informationen finden Sie in unserer Datenschutzerklärung.
-Von Google Analytics austragen.