Privacyvriendelijk datadelen: een veelbelovende aanpak komt uit de pilotfase
In dit artikel:
Organisaties zitten op waardevolle data die — samengevoegd — veel krachtiger zijn dan losstaande datasets, maar privacy- en bedrijfsgevoeligheidszorgen blokkeren vaak delen. Privacy Enhancing Technologies (PET’s) zoals Federated Learning, Multi‑Party Computation (MPC), homomorfe encryptie, synthetische data, Trusted Execution Environments en zero‑knowledge proofs bieden technische manieren om gezamenlijke analyse en modeltraining veilig uit te voeren. Toch blijft grootschalige toepassing achter: onduidelijke governance, juridische kwesties, datakwaliteit en interoperabiliteit én het ontbreken van bruikbare praktijkvoorbeelden remmen adoptie.
In de zorg toont Maastro/Maastricht UMC hoe het wel kan: André Dekker ontwikkelde het concept van de Personal Health Train — een vorm van Federated Learning waarbij het model langs deelnemende ziekenhuizen reist in plaats van dat patiëntdata worden gecentraliseerd — dat inmiddels in zo’n zestig ziekenhuizen wordt toegepast. Ook andere sectoren hebben concrete nut: energieleveranciers kunnen gezamenlijk netbelasting pieken voorspellen; bij boortechniek kunnen gecombineerde datasets risico’s op bodemdaling beter inschatten; financiële dienstverlening en telecom profiteren bij detectie van witwassen en fraude. Fintech Actuals gebruikte Federated Learning om AI-modellen op klantdata te trainen zonder dat die data de klantenomgeving verlieten, een RVO-ondersteund project.
Praktische barrières zijn vaak organisatorisch en juridisch: wie is verantwoordelijk, welke complianceregels gelden, hoe borg je vertrouwen tussen partners? Technisch is er vooruitgang, maar veel tools vereisen nog specialistische developers en zijn niet altijd gebruiksvriendelijk, zegt PET‑expert Madelon Molhoek (TNO). Toon Segers (Roseman Labs) benadrukt dat naast technologie ook coalities, juridische analyse en embedding in bestaande processen nodig zijn; hij pleit ervoor PET’s een vaste plek te geven in overheidsstimuleringsbeleid naast AI en andere sleuteltechnologieën.
Onderzoeksrapporten (JADS; INNOPAY/Oliver Wyman in opdracht van EZK) adviseren praktische pilots, duidelijke governance, vaste verantwoordelijkheden, opschaling van succesvolle toepassingen en modernisering van IT‑landschappen. Kleine gerichte investeringen van enkele miljoenen kunnen volgens experts een vliegwieleffect op gang brengen; de overheid kan daarbij optreden als launching customer. Europese wetgeving (AVG, AI Act) en initiatieven als de Data Union Strategy versterken de urgentie en kansen — er wordt zelfs opgeroepen tot “fabrieken” voor synthetische data.
Nederland heeft sterke kennisinstellingen (TU/e, TU Delft, UT, CWI, TNO) en koplopers in nichetoepassingen zoals synthetische data, MPC, HE en Federated Learning. Of dit zich vertaalt in een duurzame internationale voorsprong of slechts een nichepositie moet de overheid nader onderzoeken en strategisch ondersteunen. Kortom: de technologie is er, de businesscase en governance nog niet altijd — met gerichte inzet van beleid, voorbeelden en investeringen kan veilig datadelen wél opschalen.