AnswersPublished22 sources
Як Сінгапур робить ШІ з кращим захистом приватності практичнішим
20 липня 2026 року Комісія із захисту персональних даних Сінгапуру та Управління з розвитку інфокомунікацій і медіа представили нові настанови й приклади застосування технологій захисту приватності. Федеративне навчання дає змогу спільно навчати модель, не зводячи вихідні дані в одне місце; синтетичні дані створюють...
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- 20 липня 2026 року Комісія із захисту персональних даних Сінгапуру та Управління з розвитку інфокомунікацій і медіа представили нові настанови й приклади застосування технологій захисту приватності.
- Федеративне навчання дає змогу спільно навчати модель, не зводячи вихідні дані в одне місце; синтетичні дані створюють штучний набір для аналізу чи обміну.
- У тестових проєктах лікарня використовує захищені середовища для хмарного аналізу медичних зображень, а Ant International поєднує кілька технологій для співпраці з платіжними даними.
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
Коли потрібні для ШІ дані зберігаються в різних організаціях і містять чутливу інформацію, їх не завжди можна або доцільно зводити в одну базу. Сінгапур пропонує інший шлях: технології, які допомагають аналізувати дані чи співпрацювати над моделями, обмежуючи доступ до вихідних записів.
20 липня 2026 року на Сінгапурському фестивалі даних Комісія із захисту персональних даних (PDPC) та Управління з розвитку інфокомунікацій і медіа (IMDA) оголосили нові настанови й приклади проєктів із застосування таких технологій. 1
38
Два різні способи працювати з даними
Технології підвищення приватності — або PET — можуть допомогти співпрацювати без обміну оригінальними даними або зробити передавання даних безпечнішим завдяки їх перетворенню. Вибір залежить від завдання: чи потрібно спільно навчити модель, чи отримати набір даних для аналізу. 2
Федеративне навчання: модель навчається, а дані залишаються на місці
За федеративного навчання кілька учасників навчають модель на децентралізованих наборах даних, не переносячи самі записи до спільного сховища. Замість цього вони обмінюються оновленнями моделі або узагальненими результатами. 18
32
Такий підхід може полегшити співпрацю організацій, які не можуть або не хочуть передавати одне одному вихідні дані. Однак він сам по собі не гарантує, що кожен обмін інформацією чи кожна модель не несуть ризиків: усе одно потрібні належні заходи захисту, безпеки й управління даними. 16
Синтетичні дані: штучний набір для обміну чи аналізу
Генерування синтетичних даних створює штучний набір замість передавання оригінальних записів між організаціями. Це інше завдання, ніж федеративне навчання: у першому випадку результатом є набір даних, у другому — спільно навчена модель, тоді як дані залишаються у своїх власників. Настанова PDPC із генерування синтетичних даних стосується структурованих даних. 48
Штучне походження даних не означає автоматично, що вони анонімні. Організаціям потрібно оцінити, чи можуть згенеровані дані розкрити інформацію про людей і чи придатні вони для запланованого використання. PDPC також наголошує: PET не замінюють належного управління, кібербезпеки, контролю доступу та нагляду з боку людей. 16
Що дають нові настанови
Оголошені на фестивалі матеріали включають нову настанову з федеративного навчання та оновлену настанову з генерування синтетичних даних. Вони мають допомогти організаціям перейти від загального інтересу до практичного використання PET. За повідомленням про настанову з федеративного навчання, вона містить дорожні карти впровадження та рекомендації з управління ризиками. 1
37
48
Практичний вибір починається з мети. Якщо кілька учасників хочуть разом розробляти модель, не об’єднуючи вихідні дані, доречним може бути федеративне навчання. Якщо потрібен набір, яким можна ділитися або який можна аналізувати, варто розглянути синтетичні дані. Жоден із підходів не скасовує перевірки приватності, якості даних, безпеки та придатності до конкретного застосування.
Тестові проєкти в медицині та платежах
Запущений IMDA у 2022 році PET Sandbox — тестове середовище, де компанії можуть випробовувати технології захисту приватності за підтримки відомства. 6
46 Нові приклади, оголошені у 2026 році, показують, як різні інструменти можна застосовувати у сфері охорони здоров’я та платежів.
38
- Медичні зображення. За оголошеним прикладом, лікарня Singapore General Hospital використовує довірені середовища виконання (Trusted Execution Environments, TEE) для хмарного аналізу медичних зображень за допомогою ШІ. Проєкт демонструє спробу обробляти чутливі дані в захищеному середовищі; саме оголошення не є доказом конкретних клінічних результатів чи економії коштів.
15
38
- Співпраця у платежах. У прикладі Ant International поєднує федеративне навчання, багатосторонні обчислення (Multi-Party Computing) та гомоморфне шифрування. Учасники можуть визначати спільних клієнтів, зберігаючи вихідні персональні дані у власних середовищах, і спільно навчати модель прогнозування.
Ці приклади показують, навіщо потрібні пілотні проєкти: технологія має працювати в конкретному сценарії, а не лише мати привабливу назву, пов’язану з приватністю. Тестування допомагає з’ясувати, чи підходить обраний підхід, перш ніж впроваджувати його ширше. 6
46
Головне для бізнесу
Сінгапур поєднує практичні настанови з можливістю перевірити технології в дії. Федеративне навчання варто розглядати, коли потрібно спільно працювати над моделлю, залишаючи дані у власників; синтетичні дані — коли кориснішим результатом є набір для обміну чи аналізу. Далі потрібно перевірити, чи відповідає технологія конкретному завданню та чи належно враховані ризики.
PET можуть зменшити потребу відкривати доступ до вихідних даних, але це лише один зі складників відповідального використання інформації — не безумовна гарантія приватності. 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 "Як Сінгапур робить ШІ з кращим захистом приватності практичнішим"?
20 липня 2026 року Комісія із захисту персональних даних Сінгапуру та Управління з розвитку інфокомунікацій і медіа представили нові настанови й приклади застосування технологій захисту приватності.
What are the key points to validate first?
20 липня 2026 року Комісія із захисту персональних даних Сінгапуру та Управління з розвитку інфокомунікацій і медіа представили нові настанови й приклади застосування технологій захисту приватності. Федеративне навчання дає змогу спільно навчати модель, не зводячи вихідні дані в одне місце; синтетичні дані створюють штучний набір для аналізу чи обміну.
What should I do next in practice?
У тестових проєктах лікарня використовує захищені середовища для хмарного аналізу медичних зображень, а Ant International поєднує кілька технологій для співпраці з платіжними даними.