Индия предложила обучать ИИ на данных больниц и банков, не отдавая сами данные
MeitY представила справочник по архитектуре DEPA for AI Training: обучение идёт внутри защищённых сред, а сырые данные не покидают владельца. Ведомство оценивает эффект в $500 млрд добавленной стоимости к 2030 году, первые пилоты — финансы и медицина.
Министерство электроники и информационных технологий Индии (MeitY) представило справочник по архитектуре DEPA for AI Training — национальной схеме, которая позволяет обучать ИИ-модели на данных, запертых в больницах, банках и государственных ведомствах, не передавая эти данные разработчикам. Документ подготовлен вместе с некоммерческим технологическим центром iSPIRT и представлен на круглом столе в Бенгалуру секретарём MeitY С. Кришнаном при участии главного научного советника правительства Аджая Кумара Суда. MeitY оценивает потенциальный эффект схемы в $500 млрд ИИ-добавленной стоимости для ВВП страны к 2030 году.
Как это устроено
Схема опирается на четыре технических компонента: платформу обмена данными (Data Exchange Platform), машиночитаемые электронные контракты, защищённую среду обработки (Secure Data Environment) и дифференциальную приватность.
- Поставщики данных — больницы, банки, госорганы — регистрируют обезличенные и зашифрованные наборы.
- Потребители данных — стартапы, исследователи, компании — запрашивают доступ под конкретную задачу; электронный контракт сверяет запрос с политикой владельца.
- Посредники Data Collabs сводят и стандартизируют данные из разных источников.
Сырые данные не покидают защищённый контур: обработка идёт на аппаратно изолированном оборудовании, где информация остаётся зашифрованной даже в процессе вычислений. Все действия внутри среды пишутся в неизменяемый журнал для аудита.
«Модель приходит к данным, а не данные идут к модели», — так описал принцип схемы главный научный советник правительства Аджай Кумар Суд.
Условия допуска
Авторы прямо оговаривают, что обученная модель — не единственный результат. Перед пилотным запуском модели проходят независимые проверки на смещения, справедливость, безопасность, защищённость и объяснимость. Только после этого возможны пилот, а затем масштабирование; после развёртывания сохраняются мониторинг, периодические ревизии и прослеживаемость выходов модели к данным и контрактам, на которых она училась. Дорожная карта начинается с пилотов в финансах и медицине и параллельных регуляторных песочниц.
Почему это важно
Индия формулирует альтернативу массовому сбору данных из открытого веба, на котором выросли модели первого поколения. Мотив чисто практический: разработчики за рубежом не заинтересованы решать локальные задачи, а владельцы данных теряют контроль над их использованием. Если схема заработает, страна получит воспроизводимый шаблон — как открыть чувствительные данные для ИИ, не нарушив закон о персональных данных. Открытым остаётся вопрос стыковки с DPDP Act: в сообщении о запуске закон напрямую не упоминается, а основные обязанности по нему вступают в силу в мае 2027 года.