AnswersPublished22 sources
Singapore gør privatlivsvenlig AI mere praktisk
Singapores databeskyttelsesmyndighed PDPC og digitaliseringsmyndigheden IMDA præsenterede nye PET vejledninger og testprojekter den 20. Et projekt med Singapore General Hospital afprøver sikre cloudmiljøer til AI analyse af medicinske billeder, mens Ant International kombinerer flere teknologier til datadeling.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Singapores databeskyttelsesmyndighed PDPC og digitaliseringsmyndigheden IMDA præsenterede nye PET vejledninger og testprojekter den 20.
- Et projekt med Singapore General Hospital afprøver sikre cloudmiljøer til AI analyse af medicinske billeder, mens Ant International kombinerer flere teknologier til datadeling.
- Valget afhænger af opgaven: Træn en model sammen, mens data bliver hos hver organisation, eller skab et kunstigt datasæt til deling og analyse.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How are Singapore’s Personal Data Protection Commission (PDPC) and Infocomm Media Development Authority (IMDA) advancing privacy-preserving. Article summary: PDPC and IMDA are combining practical privacy-enhancing technology (PET) guidance with sandbox experimentation to make data-driven innovation easier without requiring unrestricted access to sensitive data; these initiati. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Singapores databeskyttelsesmyndighed Personal Data Protection Commission (PDPC) og digitaliseringsmyndigheden Infocomm Media Development Authority (IMDA) præsenterede nye vejledninger om teknologier til beskyttelse af privatlivets fred – såkaldte PETs – og nye testprojekter på Singapore Data Festival den 20. juli 2026. Initiativerne retter sig mod et konkret problem i AI-udvikling: Flere organisationer kan have data, der er nyttige sammen, men som de ikke kan eller ønsker at samle ét sted, fordi oplysningerne er følsomme. 1
38
To forskellige veje til at bruge data med større hensyn til privatlivet
PETs kan enten gøre det muligt at samarbejde, uden at de oprindelige data deles, eller omforme data, så de bliver sikrere at dele. Metoderne løser forskellige opgaver. Det første spørgsmål er derfor, om målet er at udvikle en model i fællesskab eller at få adgang til et datasæt. 2
Fødereret læring: Træn en model, mens data bliver lokalt
Ved fødereret læring trænes en model på tværs af data, der ligger hos forskellige organisationer, uden at de underliggende oplysninger flyttes til ét fælles lager. I stedet udveksler deltagerne modelopdateringer eller samlede indsigter. 18
32
Det kan gøre samarbejde muligt, selvom data er fordelt mellem flere aktører. Men metoden er ikke i sig selv en garanti for, at enhver model eller dataudveksling er risikofri. Der er stadig brug for passende sikkerhed, beskyttelse af privatlivet og klare regler for brugen. 16
Syntetiske data: Skab et datasæt, der kan deles eller analyseres
Syntetiske data er kunstigt genererede oplysninger, som kan bruges i stedet for at flytte de oprindelige data mellem organisationer. Det er en anden løsning end fødereret læring: Her er resultatet et datasæt, mens fødereret læring handler om at træne en fælles model, mens data forbliver fordelt. PDPC’s vejledning om syntetiske data fokuserer på strukturerede data. 48
At data er kunstigt genereret, betyder ikke automatisk, at de er anonyme. Organisationer bør stadig undersøge, om datasættet kan afsløre oplysninger om enkeltpersoner, og om det passer til den konkrete anvendelse. PDPC har desuden understreget, at PETs ikke erstatter god datastyring, sikkerhed, adgangskontrol eller menneskeligt tilsyn. 16
Hvad de nye vejledninger skal hjælpe med
Annonceringerne på Singapore Data Festival omfattede en ny vejledning om fødereret læring og en opdateret vejledning om generering af syntetiske data. Materialet skal gøre det lettere for organisationer at omsætte teknologierne til praksis. Omtale af vejledningen om fødereret læring fremhæver blandt andet køreplaner for indførelse og anbefalinger til risikostyring. 1
37
48
Det praktiske valg afhænger af formålet: Fødereret læring kan være relevant, når flere parter vil udvikle en model sammen uden at samle deres oprindelige data. Syntetiske data kan være relevante, når man har brug for et datasæt, der kan deles. Ingen af metoderne fritager organisationer for at vurdere privatlivsrisici, datakvalitet, sikkerhed og den konkrete anvendelse.
Testprojekter undersøger teknologien i praksis
IMDA lancerede sin PET Sandbox i 2022 som et sted, hvor virksomheder kan afprøve teknologier til beskyttelse af privatlivet med støtte fra myndigheden. 6
46 Nye eksempler præsenteret i 2026 viser, hvordan forskellige værktøjer kan bruges inden for sundhed og betalinger.
38
- Medicinske billeder: Singapore General Hospital bruger ifølge projektbeskrivelsen såkaldte Trusted Execution Environments – beskyttede digitale miljøer – til cloudbaseret AI-analyse af medicinske billeder. Projektet viser et forsøg på at behandle følsomme oplysninger i et beskyttet miljø. Annonceringen dokumenterer dog ikke i sig selv bestemte kliniske gevinster eller besparelser.
15
38
- Samarbejde om betalinger: Ant Internationals case beskriver en kombination af fødereret læring, multipartsberegning og homomorf kryptering. De involverede organisationer kan identificere fælles kunder, mens personoplysningerne bliver i deres egne miljøer, og de kan træne en forudsigelsesmodel sammen.
Eksemplerne viser også, hvorfor afprøvning er vigtig: En PET-løsning skal fungere til det konkrete samarbejde – ikke blot have et lovende navn. Test kan hjælpe organisationer med at vurdere, om metoden passer, før den bliver taget bredere i brug. 6
46
Det vigtigste for virksomheder
Singapore kobler vejledning med praktiske forsøg. Fødereret læring kan være relevant, når målet er at samarbejde om modeltræning, mens data bliver hos de enkelte parter. Syntetiske data kan være nyttige, når et genereret datasæt er det, man faktisk har brug for. I begge tilfælde bør de tekniske og privatlivsmæssige forudsætninger afprøves i den sammenhæng, hvor løsningen skal bruges.
PETs kan mindske behovet for at eksponere de oprindelige data, men de er kun én del af ansvarlig dataanvendelse – ikke en garanti for, at privatlivet er sikret under alle omstændigheder. 2
16
38
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Singapore gør privatlivsvenlig AI mere praktisk"?
Singapores databeskyttelsesmyndighed PDPC og digitaliseringsmyndigheden IMDA præsenterede nye PET vejledninger og testprojekter den 20.
What are the key points to validate first?
Singapores databeskyttelsesmyndighed PDPC og digitaliseringsmyndigheden IMDA præsenterede nye PET vejledninger og testprojekter den 20. Et projekt med Singapore General Hospital afprøver sikre cloudmiljøer til AI analyse af medicinske billeder, mens Ant International kombinerer flere teknologier til datadeling.
What should I do next in practice?
Valget afhænger af opgaven: Træn en model sammen, mens data bliver hos hver organisation, eller skab et kunstigt datasæt til deling og analyse.