उत्तरप्रकाशित22 स्रोत
सिंगापुर AI सहयोग को अधिक गोपनीय कैसे बना रहा है
20 जुलाई 2026 को सिंगापुर की PDPC और IMDA ने गोपनीयता संवर्धक तकनीकों (PETs) पर नई गाइड और परीक्षण परियोजनाएं पेश कीं। सिंगापुर जनरल अस्पताल की परियोजना मेडिकल इमेज पर क्लाउड आधारित AI के लिए सुरक्षित कंप्यूटिंग वातावरण परखती है; Ant International का केस कई PET तकनीकों को जोड़ता है। फेडरेटेड लर्निंग में मूल डेटा स्थ...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- 20 जुलाई 2026 को सिंगापुर की PDPC और IMDA ने गोपनीयता संवर्धक तकनीकों (PETs) पर नई गाइड और परीक्षण परियोजनाएं पेश कीं।
- सिंगापुर जनरल अस्पताल की परियोजना मेडिकल इमेज पर क्लाउड आधारित AI के लिए सुरक्षित कंप्यूटिंग वातावरण परखती है; Ant International का केस कई PET तकनीकों को जोड़ता है।
- फेडरेटेड लर्निंग में मूल डेटा स्थानीय जगह पर रहता है और मॉडल पर मिलकर काम होता है; सिंथेटिक डेटा में विश्लेषण या साझा करने के लिए कृत्रिम डेटासेट बनाया जाता है।
AI संकेत
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
संवेदनशील डेटा अक्सर अलग-अलग संगठनों के पास होता है। उसे एक जगह इकट्ठा करना गोपनीयता, सुरक्षा या संस्थागत नियमों के कारण मुश्किल हो सकता है—भले ही उस डेटा से AI को बेहतर बनाने में मदद मिल सकती हो। इसी अड़चन को दूर करने के लिए सिंगापुर की पर्सनल डेटा प्रोटेक्शन कमीशन (PDPC) और इन्फोकॉम मीडिया डेवलपमेंट अथॉरिटी (IMDA) ने 20 जुलाई 2026 को सिंगापुर डेटा फेस्टिवल में गोपनीयता-संवर्धक तकनीकों (Privacy-Enhancing Technologies या PETs) से जुड़ी नई गाइड और परीक्षण परियोजनाएं पेश कीं। 1
38
डेटा सहयोग के दो अलग रास्ते
PETs का उद्देश्य व्यक्तिगत जानकारी उजागर किए बिना डेटा से उपयोगी नतीजे निकालना है। एक तरीका संगठनों को मूल डेटा साझा किए बिना मिलकर काम करने देता है; दूसरा, डेटा को बदलकर या कृत्रिम डेटा बनाकर उसे अपेक्षाकृत सुरक्षित ढंग से इस्तेमाल करने की कोशिश करता है। सही विकल्प इस बात पर निर्भर करता है कि जरूरत साझा मॉडल बनाने की है या विश्लेषण के लिए डेटासेट की। 2
फेडरेटेड लर्निंग: डेटा अपनी जगह, मॉडल पर साझेदारी
फेडरेटेड लर्निंग में अलग-अलग संगठन अपने-अपने सिस्टम में रखे डेटा पर मॉडल को प्रशिक्षित करते हैं। वे मूल रिकॉर्ड एक-दूसरे को भेजने के बजाय मॉडल के अपडेट या उनसे निकली समेकित जानकारी साझा कर सकते हैं। इस तरह डेटा अपने स्थानीय वातावरण में रहते हुए भी साझा मॉडल विकसित करने में योगदान देता है। 18
32
यह तरीका उन सहयोगों में काम आ सकता है जहां डेटा को एक जगह जमा करना वांछनीय या संभव न हो। लेकिन डेटा स्थानीय रहने भर से हर जोखिम खत्म नहीं हो जाता। मॉडल अपडेट का आदान-प्रदान और पूरी व्यवस्था भी उचित गोपनीयता, सुरक्षा और शासन-प्रबंध के दायरे में होने चाहिए। 16
सिंथेटिक डेटा: साझा या विश्लेषित करने के लिए कृत्रिम डेटासेट
सिंथेटिक डेटा मूल रिकॉर्ड के बजाय कृत्रिम रूप से तैयार किए गए डेटा का इस्तेमाल करता है। यह फेडरेटेड लर्निंग से अलग जरूरत पूरी कर सकता है: यहां लक्ष्य वितरित डेटा पर साझा मॉडल प्रशिक्षित करना नहीं, बल्कि उपयोग के लिए एक डेटासेट बनाना है। PDPC की सिंथेटिक डेटा गाइड संरचित डेटा तैयार करने पर केंद्रित है। 48
कृत्रिम डेटा होने का अर्थ यह नहीं कि वह अपने-आप पूरी तरह गुमनाम है। संगठनों को यह देखना चाहिए कि उससे किसी व्यक्ति के बारे में जानकारी का अंदाजा तो नहीं लगाया जा सकता, और वह जिस काम के लिए बनाया गया है उसके लिए उपयुक्त है या नहीं। PDPC ने यह भी स्पष्ट किया है कि PETs अच्छे शासन, सुरक्षा, पहुंच-नियंत्रण और मानवीय निगरानी का विकल्प नहीं हैं। 16
नई गाइड से संगठनों को क्या मदद मिलेगी?
सिंगापुर डेटा फेस्टिवल की घोषणाओं में फेडरेटेड लर्निंग पर नई गाइड और सिंथेटिक डेटा जनरेशन की अपडेट की गई गाइड शामिल थीं। इनका मकसद संगठनों को PETs अपनाने के व्यावहारिक पहलुओं में मदद देना है। फेडरेटेड लर्निंग गाइड की रिपोर्टिंग में अपनाने के रोडमैप और जोखिम-प्रबंधन से जुड़ी सिफारिशों का भी उल्लेख है। 1
37
48
चुनाव काम के मुताबिक होना चाहिए: यदि कई पक्ष मूल डेटा को अपने पास रखते हुए साथ में मॉडल बनाना चाहते हैं, तो फेडरेटेड लर्निंग प्रासंगिक हो सकती है। यदि साझा करने या विश्लेषण के लिए डेटासेट चाहिए, तो सिंथेटिक डेटा पर विचार किया जा सकता है। किसी भी तरीके को गोपनीयता, डेटा की गुणवत्ता, सुरक्षा और व्यावहारिक उपयोग की जांच का सार्वभौमिक विकल्प नहीं मानना चाहिए।
PET Sandbox में असल इस्तेमाल की पड़ताल
IMDA का PET Sandbox 2022 में कारोबारों को गोपनीयता-संवर्धक तकनीकों के प्रयोग और परीक्षण का अवसर देने के लिए शुरू किया गया था। 6
46 2026 में घोषित नए उदाहरण बताते हैं कि स्वास्थ्य सेवा और भुगतान जैसे क्षेत्रों में अलग-अलग PETs को कैसे परखा जा रहा है।
38
- मेडिकल इमेज: घोषित उपयोग-मामले के मुताबिक, सिंगापुर जनरल अस्पताल मेडिकल इमेज पर क्लाउड-आधारित AI अनुमान (inferencing) के लिए ट्रस्टेड एक्ज़ीक्यूशन एनवायरनमेंट्स (TEEs) का इस्तेमाल कर रहा है। यह संवेदनशील सामग्री को संरक्षित कंप्यूटिंग वातावरण में संसाधित करने की कोशिश दिखाता है। घोषणा को किसी खास चिकित्सकीय नतीजे या लागत में बचत का प्रमाण नहीं समझना चाहिए।
15
38
- भुगतान क्षेत्र में सहयोग: Ant International के केस स्टडी में फेडरेटेड लर्निंग, मल्टी-पार्टी कंप्यूटिंग और होमोमॉर्फिक एन्क्रिप्शन को मिलाकर इस्तेमाल किया गया है। शामिल पक्ष अपने-अपने वातावरण में मूल व्यक्तिगत डेटा रखते हुए साझा ग्राहकों की पहचान कर सकते हैं और मिलकर पूर्वानुमान मॉडल प्रशिक्षित कर सकते हैं।
ये उदाहरण यह भी दिखाते हैं कि पायलट क्यों मायने रखते हैं: किसी तकनीक का गोपनीयता-संरक्षण का दावा भर काफी नहीं। उसे संबंधित सहयोग और उपयोग के लिए परखना जरूरी है। परीक्षण से संगठनों को व्यापक इस्तेमाल से पहले तकनीकी और गोपनीयता संबंधी मान्यताओं का आकलन करने में मदद मिल सकती है। 6
46
संगठनों के लिए मुख्य बात
सिंगापुर का तरीका गाइड को व्यावहारिक प्रयोगों से जोड़ता है। जब मकसद डेटा को स्थानीय रखते हुए मॉडल पर सहयोग करना हो, तो फेडरेटेड लर्निंग पर विचार करें; जब उपयोगी नतीजा साझा करने योग्य डेटासेट हो, तो सिंथेटिक डेटा प्रासंगिक हो सकता है। फिर चुने गए तरीके को वास्तविक उपयोग की स्थिति में परखें। PETs मूल डेटा उजागर करने की जरूरत घटा सकते हैं, लेकिन जिम्मेदार डेटा इस्तेमाल के लिए जरूरी सुरक्षा उपायों की जगह नहीं लेते और गोपनीयता की पूर्ण गारंटी भी नहीं हैं। 2
16
38
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"सिंगापुर AI सहयोग को अधिक गोपनीय कैसे बना रहा है" का संक्षिप्त उत्तर क्या है?
20 जुलाई 2026 को सिंगापुर की PDPC और IMDA ने गोपनीयता संवर्धक तकनीकों (PETs) पर नई गाइड और परीक्षण परियोजनाएं पेश कीं।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
20 जुलाई 2026 को सिंगापुर की PDPC और IMDA ने गोपनीयता संवर्धक तकनीकों (PETs) पर नई गाइड और परीक्षण परियोजनाएं पेश कीं। सिंगापुर जनरल अस्पताल की परियोजना मेडिकल इमेज पर क्लाउड आधारित AI के लिए सुरक्षित कंप्यूटिंग वातावरण परखती है; Ant International का केस कई PET तकनीकों को जोड़ता है।
मुझे अभ्यास में आगे क्या करना चाहिए?
फेडरेटेड लर्निंग में मूल डेटा स्थानीय जगह पर रहता है और मॉडल पर मिलकर काम होता है; सिंथेटिक डेटा में विश्लेषण या साझा करने के लिए कृत्रिम डेटासेट बनाया जाता है।