AntwortenVeröffentlicht22 Quellen
KI gemeinsam trainieren, ohne sensible Daten zusammenzuführen
Zum Singapore Data Festival am 20. Juli 2026 stellten PDPC und IMDA neue Leitlinien zu datenschutzfördernden Technologien sowie Anwendungsfälle aus ihrer PET Sandbox vor.
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Zum Singapore Data Festival am 20. Juli 2026 stellten PDPC und IMDA neue Leitlinien zu datenschutzfördernden Technologien sowie Anwendungsfälle aus ihrer PET Sandbox vor.
- Ein Projekt mit dem Singapore General Hospital nutzt geschützte Cloud Umgebungen für KI Auswertungen medizinischer Bilder.
- Welche Technik passt, hängt vom Ziel ab: Federated Learning ermöglicht gemeinsames Modelltraining, während synthetische Daten einen künstlich erzeugten Datensatz für Analyse oder Austausch bereitstellen.
KI-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
Die Daten wären für KI nützlich – doch sie liegen bei verschiedenen Organisationen und enthalten sensible Informationen. Singapurs Personal Data Protection Commission (PDPC) und die Infocomm Media Development Authority (IMDA) wollen genau diese Hürde adressieren: Am 20. Juli 2026 kündigten sie beim Singapore Data Festival neue Leitfäden zu datenschutzfördernden Technologien, sogenannten PETs, und weitere Pilotprojekte an. 1
38
Die Grundidee: Erkenntnisse aus Daten gewinnen, ohne die Originalbestände einfach an einem Ort zusammenzuführen. Welcher Ansatz sinnvoll ist, hängt davon ab, ob Organisationen gemeinsam ein KI-Modell trainieren oder einen Datensatz für Analyse und Austausch benötigen. 2
Zwei Ansätze, zwei unterschiedliche Aufgaben
Federated Learning: Daten bleiben vor Ort
Beim Federated Learning wird ein Modell mit Daten aus mehreren dezentralen Quellen trainiert. Die zugrunde liegenden Datensätze bleiben dabei in den jeweiligen lokalen Umgebungen; zwischen den Beteiligten werden stattdessen beispielsweise Modellaktualisierungen oder zusammengefasste Erkenntnisse ausgetauscht. 18
32
Das kann eine Zusammenarbeit ermöglichen, wenn Daten bei unterschiedlichen Organisationen liegen. Es ist aber keine Garantie, dass jeder Austausch oder jedes Modell automatisch risikofrei ist: Datenschutz, Sicherheit und klare Zuständigkeiten müssen weiterhin berücksichtigt werden. 16
Synthetische Daten: ein künstlich erzeugter Datensatz
Bei der Erzeugung synthetischer Daten werden künstliche Datensätze erstellt, statt die ursprünglichen Einzeldaten weiterzugeben. Das kann dann hilfreich sein, wenn ein Datensatz für Analyse oder Austausch gebraucht wird – statt eines gemeinsam trainierten Modells, während die Daten verteilt bleiben. Der PDPC-Leitfaden zu synthetischen Daten behandelt strukturierte Daten. 48
„Künstlich“ bedeutet allerdings nicht automatisch „anonym“. Organisationen müssen prüfen, ob generierte Daten Rückschlüsse auf einzelne Personen ermöglichen und ob sie für den vorgesehenen Zweck geeignet sind. PETs ersetzen zudem weder solide Governance noch Sicherheitsmaßnahmen, Zugriffskontrollen oder menschliche Aufsicht. 16
Neue Leitfäden sollen die Auswahl erleichtern
Die Ankündigungen beim Singapore Data Festival umfassten einen neuen Leitfaden zu Federated Learning und eine aktualisierte Fassung des Leitfadens zur Erzeugung synthetischer Daten. Sie sollen Unternehmen bei der praktischen Anwendung von PETs unterstützen. Berichte zum Federated-Learning-Leitfaden nennen außerdem Umsetzungsfahrpläne und Empfehlungen zum Risikomanagement. 1
37
48
Für Unternehmen lässt sich die Entscheidung zunächst auf eine Frage herunterbrechen: Soll ein Modell gemeinsam trainiert werden, obwohl die Originaldaten bei ihren jeweiligen Besitzern bleiben müssen? Dann kann Federated Learning passen. Wird hingegen ein Datensatz zum Teilen oder für Analysen benötigt, kommen synthetische Daten infrage. In beiden Fällen sind Datenschutzrisiken, Datenqualität, Sicherheit und die praktische Umsetzbarkeit zu prüfen.
Pilotprojekte testen die Technik in der Praxis
IMDA führte seine PET-Sandbox 2022 ein. Sie bietet Unternehmen eine Umgebung, um Anwendungsfälle mit Unterstützung der Behörde zu erproben. 6
46 Die 2026 vorgestellten Beispiele betreffen medizinische Bilddaten und Zahlungsverkehr.
38
- Medizinische Bilder: Das Singapore General Hospital setzt laut der Ankündigung auf sogenannte Trusted Execution Environments für KI-Auswertungen in der Cloud. Das Projekt soll zeigen, wie sich sensible Daten in einer geschützten Umgebung verarbeiten lassen. Aus der Ankündigung allein lässt sich jedoch nicht ableiten, dass bestimmte klinische oder finanzielle Vorteile bereits nachgewiesen wurden.
15
38
- Zahlungsverkehr: In einer Fallstudie kombiniert Ant International Federated Learning, Multi-Party Computing und homomorphe Verschlüsselung. So können die beteiligten Organisationen gemeinsame Kundinnen und Kunden erkennen und ein Vorhersagemodell gemeinsam trainieren, während die zugrunde liegenden personenbezogenen Daten in ihren jeweiligen Umgebungen verbleiben.
Die Pilotprojekte machen zugleich deutlich, warum Tests wichtig sind: Eine PET muss zum konkreten Anwendungsfall passen und sich in der Praxis bewähren. Erprobungen können Unternehmen dabei helfen, die Eignung eines Verfahrens zu prüfen, bevor sie es breiter einsetzen. 6
46
Was Unternehmen daraus mitnehmen können
Singapurs Ansatz verbindet praktische Leitlinien mit Experimenten: Federated Learning kommt infrage, wenn mehrere Beteiligte ein Modell mit lokal verbleibenden Daten entwickeln wollen. Synthetische Daten können sinnvoll sein, wenn ein künstlich erzeugter Datensatz das passende Ergebnis ist. Entscheidend ist, die technischen und datenschutzbezogenen Annahmen im vorgesehenen Einsatzumfeld zu testen.
PETs können den Bedarf verringern, Originaldaten offenzulegen. Sie sind jedoch ein Baustein verantwortungsvoller Datennutzung – keine pauschale Garantie für Datenschutz. 2
16
38
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „KI gemeinsam trainieren, ohne sensible Daten zusammenzuführen“?
Zum Singapore Data Festival am 20. Juli 2026 stellten PDPC und IMDA neue Leitlinien zu datenschutzfördernden Technologien sowie Anwendungsfälle aus ihrer PET Sandbox vor.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Zum Singapore Data Festival am 20. Juli 2026 stellten PDPC und IMDA neue Leitlinien zu datenschutzfördernden Technologien sowie Anwendungsfälle aus ihrer PET Sandbox vor. Ein Projekt mit dem Singapore General Hospital nutzt geschützte Cloud Umgebungen für KI Auswertungen medizinischer Bilder.
Was soll ich als nächstes in der Praxis tun?
Welche Technik passt, hängt vom Ziel ab: Federated Learning ermöglicht gemeinsames Modelltraining, während synthetische Daten einen künstlich erzeugten Datensatz für Analyse oder Austausch bereitstellen.