Foto: © Vector by Vexels.com on FreeImages
De zorgsector is een voorbeeld waarin grote voordelen zijn te behalen door modellen op grote datasets te trainen. André Dekker van radiotherapie-instituut Maastro legde jaren geleden al de basis voor een aanpak die inmiddels door zo’n zestig ziekenhuizen wereldwijd wordt toegepast. Dekker noemt het de Personal Health Train: “Het algoritme dat moet worden getraind – de trein – gaat langs de verschillende deelnemers – de stations – in plaats van dat de data worden verzameld op een centrale locatie.” Dekker is daarmee een van de pioniers die werken aan het concept ‘Federated Learning’, een van de PET’s.
Er zijn meer voorbeelden waarin de voordelen van organisatie-overstijgend datadelen duidelijk naar voren komen. In de energiesector kunnen leveranciers op basis van hun gezamenlijke datasets betere voorspellingen maken van piekbelasting op het stroomnet. Bij boringen kunnen accurate modellen worden gemaakt voor de kans op bodemdaling en aardbevingen. In de financiële dienstverlening en telecom zijn patronen in witwaspraktijken en fraude beter in kaart te brengen.
Organisatie en data niet altijd op orde
In al deze gevallen speelt de gevoeligheid van de gegevens een belangrijke rol. Met PET’s zijn daar oplossingen voor, maar die worden nog niet op grote schaal ingezet. De oorzaak ligt vaak in de onduidelijkheid over rollen en verantwoordelijkheden, én het toezicht daarop (governance). Andere veelvoorkomende problemen zijn datakwaliteit en interoperabiliteit van systemen. Wanneer de data niet goed zijn ontsloten, moet vaak flink worden geïnvesteerd om ze geschikt te maken. Daarom is het belangrijk om te beginnen met de precieze formulering van de vraag die voorligt. Dan is duidelijk welke data aangepast moeten worden aan de FAIR-principes: Findable (vindbaar), Accessible (toegankelijk), Interoperable (uitwisselbaar), Reusable (herbruikbaar). “Zo voorkom je dat je data FAIR gaat maken, die je daarna nooit gebruikt”, zegt Dekker.
Toon Segers heeft vanuit zijn achtergrond in de wiskunde al jaren een passie voor cryptografie. Die zette hij onder meer in voor de AIVD en twee consultancybureaus. Inmiddels is hij terug bij de TU Eindhoven en heeft van daaruit met twee medeoprichters de spin-off Roseman Labs opgezet. Daar hebben ze het idee van Multi-Party Computation (zie kader) verder uitgewerkt en bieden de technologie nu aan in sectoren als de nationale veiligheid, de zorg, de financiële dienstverlening en de publieke dienstverlening. “Mensen zien het concept snel als veelbelovend, maar vinden het ook best abstract qua technologie en concrete toepassingen.”
In veel gevallen moet er een coalitie worden gevormd om te kunnen samenwerken, waarbij er onderling vertrouwen moet ontstaan. “Daarnaast heb je juridische vraagstukken en compliance die je goed moet analyseren voor elke specifieke casus.” Een implementatie is dus veelomvattend, zeker omdat er ook technologie moet worden ingebed in bestaande processen. Vanwege het grote potentieel, beargumenteert Segers, verdient privacybevorderende technologie een plek te krijgen in het stimuleringsbeleid van de overheid – naast AI en quantum en fotonica.
