Datensouveränität und sicheres maschinelles Lernen (ML) über Organisationsgrenzen hinweg
| Steckbrief | |
|---|---|
| Firma | apheris AI GmbH |
| Produkte & Dienstleistungen | Plattform, für kontrollierten, privaten und sicheren Zugang zu Daten für maschinelles Lernen (ML) und Analysen |
| Business Model Canvas | Wertangebote, Kundenbeziehungen, Schlüsselaktivitäten, Schlüsselpartner |
| ca. Zahl der Mitarbeiter:innen (weltweit) | 30 |
| Zielgruppe | Anwender |
| Hauptsitz | Berlin, Deutschland |
| Use Cases | Wissensbasierte Expertensysteme |
Ausgangssituation & Herausforderungen
Diese Plattform will Unternehmen dabei unterstützen, kollaborative Datensysteme zur gemeinsamen Nutzung von Ergebnissen zu unterstützen, ohne dabei sensible Daten austauschen zu müssen.
Ziele
Das Ziel der Apheris-Plattform besteht darin, Organisationen die sichere und kollaborative Analyse von Daten zu ermöglichen, ohne diese zentral zu speichern. Durch diese Technologie sollen Unternehmen in der Lage sein, gemeinsam Erkenntnisse aus verteilten Datenquellen zu gewinnen, insbesondere in hoch-sensiblen Branchen wie dem Gesundheitswesen oder Finanzwesen. Außerdem gehört zu den Zielen ebenso die Sicherung von Datenschutz und Vertraulichkeit während der Analyse, um den organisations-übergreifenden Austausch von Wissen und Erkenntnissen zu erleichtern.
Lösungen/ Massnahmen/ Projekt
Die Lösung soll eine Datennutzung grenzüberschreitend ermöglichen, um verteilte sensible Datenquellen sicher zu vernetzen und Mehrwerte zu generieren sowie Datenschutz, Sicherheit und Governance zu gewährleisten.
Umsetzung
Das benötigte Gateway wird neben den Daten installiert. Eine Definition, wer welche Berechnungen durchführen kann und detaillierte Prüfprotokolle zur Rückverfolgung selbst bieten die nötigen Sicherheiten. Während einer verschlüsselten Übertragung können Analysen durchgeführt und Ergebnisse abgerufen werden.
Was wurde benötigt?
Mittels Gateways werden Analyseberechnungen und Prozesse des maschinellen Lernens direkt auf die Datenbasis eingebracht, ohne diese selbst zu verändern und ohne das die Daten direkt zugänglich sind.
Was wurde erreicht?
Die Technologie ermöglicht die sichere Vernetzung verteilter Datenquellen und die Gewinnung von maschinellem Lernen (ML) gestützten Erkenntnissen, wobei Datenschutz, Sicherheit und Governance gewährleistet sind.