Strona główna > Autorzy > Karl Schmedders
Karl Schmedders jest profesorem finansów IMD.
Nie musisz dzielić się danymi, by rozwijać sztuczną inteligencję. Federacyjne uczenie maszynowe pozwala trenować modele AI na zdecentralizowanych zbiorach danych i osiągać lepsze wyniki bez naruszania prywatności. Przykład Zurich Insurance i Orange pokazuje, jak współpraca między branżami może zwiększyć skuteczność algorytmów o 30%.
Przemija era silosów big data. Czas postawić na współdzielenie danych.
Idea, by wykorzystywać dane przy produkcji lub sprzedaży towarów i usług, nie jest nowa. W 2018 roku cztery z sześciu największych pod względem wartości rynkowej przedsiębiorstw – Amazon, Alphabet, Facebook i Alibaba – oparły swoje modele biznesowe na wykorzystaniu danych do optymalizacji działań reklamowych. Warto jednak pamiętać, że dane są czymś znacząco odmiennym od tradycyjnych czynników produkcji, takich jak kapitał i praca.
Aby osiągnąć odpowiednią skalę, firmy muszą dysponować danymi o dużej liczbie klientów, zwłaszcza kiedy korzystają z pomocy algorytmów na potrzeby reklamy i innych modeli generowania przychodów. Z uwagi na skalę gromadzenie dużych zbiorów danych ściśle wiąże się z zagadnieniem ochrony osobistej prywatności, a nawet bezpieczeństwa narodowego, w sposób, który nie dotyczy innych czynników produkcji. Ten wyjątkowy charakter danych utrudnia efektywny i przejrzysty handel nimi oraz sprawia, że pomimo swojej cyfrowej formy są utrzymywane w zamkniętych silosach, przez co trudno urzeczywistnić ich wartość. Koncepcja dużych zbiorów danych jako silosu zarządzanego przez pojedyncze podmioty powoli ustępuje miejsca pojęciu danych współdzielonych (shared data).
Newsletter
Otrzymuj najważniejsze artykuły biznesowe — zapisz się do newslettera!