SubsidieMeestersHaalbaarheidsproject ontwikkeling AI tool voor contextafhankelijk anonimiseren
Het project onderzoekt de haalbaarheid van een AI-tool voor contextafhankelijke anonimisatie van gevoelige data, om privacybescherming in AI-projecten te waarborgen.
Projectdetails
Inleiding
Veel bedrijven en instellingen bezitten grote hoeveelheden data en zullen de komende jaren alleen maar meer data genereren. Hierbij lopen ze tegen verschillende knelpunten aan bij het managen, analyseren, indexeren of filteren van die data.
Probleemstelling
Het ontbreekt echter op dit moment aan geschikte oplossingen die technisch in staat zijn contextueel data te anonimiseren/pseudonimiseren. Hierdoor is het niet mogelijk om privacygevoelige data mee te nemen in AI-/datascience-projecten.
Doel van het project
In dit project onderzoekt Landscape de economische en technische haalbaarheid van het ontwikkelen van een AI-tool voor contextafhankelijke anonimisatie. Dit is een AI-systeem dat zich richt op het geautomatiseerd anonimiseren van belangrijke maar vooral ook gevoelige informatie in open tekstvelden.
Financiële details & Tijdlijn
Financiële details
| Subsidiebedrag | € 20.000 |
Tijdlijn
| Startdatum | Onbekend |
| Einddatum | Onbekend |
| Subsidiejaar | 2021 |
Partners & Locaties
Projectpartners
- Landscape B.V.penvoerder
Land(en)
Vergelijkbare projecten binnen MIT Haalbaarheid
| Project | Regeling | Bedrag | Jaar | Actie |
|---|---|---|---|---|
AnonymAIzeAnonymAIze ontwikkelt een AI-gestuurd programma voor het effectief anonimiseren van gevoelige teksten, met behoud van bruikbaarheid, na een haalbaarheidsonderzoek. | Mkb-innovati... | € 20.000 | 2023 | Details |
Artificial DeploymentHet project onderzoekt de haalbaarheid van AI-integratie om tijd te besparen en gebruikersfouten te verminderen bij het automatiseren van deployments. | Mkb-innovati... | € 20.000 | 2020 | Details |
LetsOpp AI PlatformHet project onderzoekt de haalbaarheid van een AI-platform dat met NLP deelnemersinformatie uit groepssessies verzamelt, interpreteert en categoriseert, en automatisch vragen genereert. | Mkb-innovati... | € 20.000 | 2021 | Details |
Data driven inkoop frameworkHet project onderzoekt de haalbaarheid van een gelaagd ML/AI-model voor een SaaS-systeem dat dynamische, op gebruikersinput gebaseerde, domein-agnostische (inkoop)enquêtes in het Nederlands genereert. | Mkb-innovati... | € 20.000 | 2022 | Details |
Flexibel schonen van dataHet project richt zich op het ontwikkelen van een geautomatiseerde dienst voor het verwijderen van (bijzondere) persoonsgegevens uit grote hoeveelheden data, met behoud van documentintegriteit. | Mkb-innovati... | € 20.000 | 2020 | Details |
AnonymAIze
AnonymAIze ontwikkelt een AI-gestuurd programma voor het effectief anonimiseren van gevoelige teksten, met behoud van bruikbaarheid, na een haalbaarheidsonderzoek.
Artificial Deployment
Het project onderzoekt de haalbaarheid van AI-integratie om tijd te besparen en gebruikersfouten te verminderen bij het automatiseren van deployments.
LetsOpp AI Platform
Het project onderzoekt de haalbaarheid van een AI-platform dat met NLP deelnemersinformatie uit groepssessies verzamelt, interpreteert en categoriseert, en automatisch vragen genereert.
Data driven inkoop framework
Het project onderzoekt de haalbaarheid van een gelaagd ML/AI-model voor een SaaS-systeem dat dynamische, op gebruikersinput gebaseerde, domein-agnostische (inkoop)enquêtes in het Nederlands genereert.
Flexibel schonen van data
Het project richt zich op het ontwikkelen van een geautomatiseerde dienst voor het verwijderen van (bijzondere) persoonsgegevens uit grote hoeveelheden data, met behoud van documentintegriteit.
Vergelijkbare projecten uit andere regelingen
| Project | Regeling | Bedrag | Jaar | Actie |
|---|---|---|---|---|
Het genereren van synthetische datasets voor verbeterde privacy en bias-eliminatieHet project ontwikkelt een gebruiksvriendelijk softwareplatform met een AI-model voor het genereren van veilige, synthetische data zonder persoonlijke eigenschappen. | Mkb-innovati... | € 208.005 | 2021 | Details |
Het genereren van synthetische datasets voor verbeterde privacy en bias-eliminatie
Het project ontwikkelt een gebruiksvriendelijk softwareplatform met een AI-model voor het genereren van veilige, synthetische data zonder persoonlijke eigenschappen.