Store mængder data kan bruges meget mere – og sikkert
Både det offentlige og virksomheder ligger inde med store mængder data, som de ikke kan dele og anvende uden at kompromittere borgernes anonymitet. Foto: Getty Images
Vi bringer den nyeste viden fra it-forskning i spil, så du kan udvikle innovative, it-baserede produkter og services – og opnå nye forretningsmæssige gevinster med digitalisering.
Hos os finder du it-specialister med stærke kompetencer inden for aktuelle ekspertiser og anvendelser, blandt andet computer graphics, kunstig intelligens, Internet of Things, big data, interaktionsdesign og smarte produkter.
Vi har i mange år udviklet skræddersyede it-løsninger og koncepter for næsten alle brancher og inden for mange anvendelsesområder. Den erfaring kan give dig flere års forspring i forhold til konkurrenterne.
Tag en snak med os, uanset om du mangler udvikling af it- og software, rådgivning om nye teknologier, indsigt i brugeradfærd, brugerdrevet innovation, forretningsudvikling, kvalitetssikring eller kurser, workshops og faglige oplæg.
Læs mere om Alexandra Instituttet på vores egen hjemmeside.
Kontakt og følg Alexandra Instituttet
Både det offentlige og virksomheder ligger inde med store mængder data, som de ikke kan dele og anvende uden at kompromittere borgernes anonymitet. Der findes en lang række teknologier, der gør det muligt at dele data uden at kompromittere fortroligheden. Et af værktøjerne er anonymisering.
Vi har nedenfor samlet en række eksempler på situationer, hvor det er muligt at anvende data ved hjælp af anonymisering.
Denne artikel er skrevet af Senior Security Architect, PhD, Jonas Lindstrøm, Security Lab, Alexandra Instituttet
Det første eksempel handler om de store mængder forbrugsdata, der ligger i Energinets enorme database, DataHub.
Som det er i dag, kan man enten trække sine egne forbrugsdata ud eller man kan trække aggregerede data ud fra f.eks. for en hel kommune. Men i mange tilfælde er datasættet så stort, at man ikke kan bruge det til noget.
Det kan f.eks. være relevant for en virksomhed, der ønsker at screene en branche. Eller det kan være relevant for et boligselskab, der godt vil vide noget om en bestemt boligblok for at se, hvordan og hvornår der bruges strøm. Det kunne også være, at de var interesseret i at se på bestemte bydele i forhold til energioptimering.
Her har Energinet organiseret et sprint for at finde tekniske løsninger, der gør det muligt at åbne for datahub’en uden at kompromittere forbrugernes anonymitet. I dette sprint deltog eksperter fra bl.a. Alexandra Instituttet, Syddansk Universitet og Danmarks Statistik.
Læs artikel: Energinet vil slippe elforbrugernes fortrolige data løs i anonym form - OBS betalingsartikel
Det andet eksempel er fra BørnUngeLiv , som står bag et redskab, der understøtter kommunernes store indsats for, at børn og unge trives godt. Redskabet er baseret på spørgeskemaer, som børn og unge udfylder hvert andet år gennem deres skolegang.
Sundhedsplejersken ser svarene og bruger dem som udgangspunkt for en samtale med børnene. Herudover genererer de også statistiske rapporter til kommunerne, som f.eks. kan gå ind og se på, hvordan det står til med trivslen på en hel årgang.
Det drejer sig om følsomme data, som selvfølgelig skal anonymiseres, men samtidig skal rapporterne også være informative for kommunerne.
Her har Alexandra Instituttets eksperter rådgivet dem om, hvad de skulle gøre. Udfordringen var både at forstå, hvilke data de havde, hvad de ønskede at gøre med dem, og hvordan deres eksisterende setup er.
Læs artikel: Ingen succes med digitalisering uden borgerinvolvering
Det tredje eksempel er et projekt, der hedder HedaX. Det tager udgangspunkt i, at Danmarks Statistik og Sundhedsstyrelsen hver ligger inde med deres data om de samme mennesker – nemlig hele Danmarks befolkning.
Til forskningsmæssige formål kan det gøre det en smule vanskeligt, da man kan ikke må kombinere de to databaser. Det kan der være god nok grund til, at man ikke må, men man kan være interesseret i at udregne sammenhænge. Er der f.eks. en sammenhæng mellem en bestemt lidelse og nogle bestemte socioøkonomiske forhold?
Her er Alexandra Instituttet i samarbejde med en lang række partnere i gang med at udvikle et system, der gør det muligt at lave analyser på tværs af databaserne, uden at der foregår en samkøring af data, og den enkelte borgers data forbliver beskyttet.
Læs artikel: Datacentre er den digitale tids fabrikker
Det fjerde eksempel hedder ‘federated learning’, der er en maskinlæringsløsning, hvor du adskiller modellen fra de data, du træner på.
Lad os sige, at du har to forskellige datasæt, og du gerne vil have en model, der er trænet på alle data. I stedet for at stykke dataene sammen ét sted og træne modellen der, så sender man i stedet modellen rundt til de parter, der har datasættene, og træner modellen hver for sig. Derefter stykker man modellerne sammen.
Man ser aldrig hinandens data, men man kan få en model, der er næsten lige så god, som hvis man havde trænet dem sammen.
Teknikken er brugt af Google til at udvikle en model, der kan forudsige, hvilken emoji du taster næste gang - er det en sur eller smilende emoji? I stedet for at Google henter alle de sms’er ind, som folk nogensinde har skrevet, og prøver at træne på det, så sender de en model rundt, der bliver trænet på folks telefoner.
Læs artikel: Sundhedsdata: Kunstig intelligens forudser øjensygdomme
Hvis I ønsker at anvende personfølsomme data på en sikker måde, rådgiver vi gerne om, hvilken teknisk løsning der er den rigtige til jeres behov. Vi kan også hjælpe med at tjekke, om jeres eksisterende løsninger fungerer, som de skal.
Yderligere oplysninger: Tag fat i Jonas Lindstrøm fra Alexandra Instituttets Security Lab
Læs artikel: Sundhedsdata kan mere end redde liv
Download whitepaper: Det vanskelige offentlige it-projekt
