Bewerk Dossier: DOSP-VHR-001094

Titel

Enhanced Description

Cleaned Description

Wil je meer halen uit je data door deze te verrijken met data verkregen via externe partijen? Of zie je een opportuniteit in het verhandelen van je eigen data?

In dit project zoeken we uit hoe dit privacyvriendelijk kan. Dit project Privacy Preserving Data sharing (DASH) van Odisee en KU Leuven richt zich tot ondernemingen, non-profit organisaties, overheden, … uit de zorgsector en de logistieke sector.

Sommige actoren exploreren opportuniteiten om data te delen. Anderen willen net externe data aanwenden om eigen activiteiten te optimaliseren. Nog anderen, bijvoorbeeld technologiebedrijven, leveren algoritmes en/of infrastructuur om gedistribueerde samenwerkingen te ondersteunen.

Data van externe bronnen (derde partijen en overheidsdiensten) kan de ontwikkelde machine-learning (ML)-modellen verder uitbreiden en verfijnen en de bedrijfsactiviteiten verder optimaliseren.

Daarnaast zien bedrijven ook een extra bron van inkomsten in het verhandelen van hun waardevolle data aan derden. Dit kunnen zowel persoonsgegevens als gevoelige bedrijfsgegevens zijn.

Waar dit meestal op technisch vlak geen obstakel blijkt te zijn, blijft het in veel gevallen onduidelijk hoe en met welke technologieën dit op een privacyvriendelijke manier kan gebeuren.

Binnen dit project worden de projectresultaten gedemonstreerd in twee domeinen: de zorgsector en de logistieke sector.

Het doel van dit project is om de Vlaamse kmo te ondersteunen bij het opzetten van samenwerkingen waarbij gevoelige gegevens worden gedeeld en verwerkt.

Dit omvat het selecteren en integreren van o.a. kwalitatieve anonimiseringsstrategieën, waardevolle verwerkingsalgoritmen, en technologieën voor het uitbouwen van een gedistribueerde infrastructuur.

Cleaned Result Description

Het project heeft significante impact gehad door bedrijven te voorzien van de middelen en kennis voor het veilig delen van data. Centraal hierbij staat de Data Sharing Gids, een gebruikersvriendelijk hulpmiddel dat diepgaande inzichten biedt in o.a. Federated Learning en anonimisatie- en pseudonimisatietechnieken.

Deze gids is online beschikbaar via https://dash-knowledge-base.readthedocs.io en kan daardoor bijgewerkt worden met de nieuwste ontwikkelingen, waardoor het een waardevolle bron voor bedrijven blijft.

De praktische, interactieve sessies waren een belangrijk onderdeel van het project, waarbij deelnemers waardevolle kennis en ervaring opdeden door middel van demonstraties en praktijkgerichte oefeningen.

Ten slotte hebben de ontwikkeling van een Python Library voor Federated Learning en een Privacy-Friendly Toolkit bijgedragen aan het verlagen van de drempel voor KMO's om deze geavanceerde technologieën toe te passen. De bibliotheek biedt modulaire functies en modellen, terwijl de toolkit Federated Learning tastbaar maakt voor bedrijven zonder diepgaande technische achtergrond.

Start Date

End Date