تاثیر مدلهای یادگیری فدرال در مدیریت دادههای حساس شهری و شهرداریها

مدیریت داده های حساس شهری در شهرداری ها به دلیل افزایش روزافزون سامانه های هوشمند به یکی از مسائل بنیادین در حکمرانی شهری تبدیل شده است. داده های شهری نه تنها برای برنامه ریزی و تصمیم گیری استفاده می شوند، بلکه همزمان حامل اطلاعات شخصی شهروندان و اطلاعات راهبردی درباره زیرساخت ها، حمل و نقل، خدمات عمومی و فرآیندهای اجرایی هستند. در چنین شرایطی، چالش های امنیت اطلاعات و رعایت حریم خصوصی به ویژه در مواجهه با تمرکز داده در پایگاه ها و سامانه های متعدد ریسک های جدی ایجاد می کند. در این میان یادگیری فدرال به عنوان رویکردی نوین مطرح می شود که امکان آموزش مدل های تحلیلی را بدون انتقال مستقیم داده های خام فراهم می سازد و به واسطه این ویژگی می تواند به کاهش مخاطرات ناشی از جابه جایی داده بین سازمانی و بین سامانه ها منجر شود. هدف پژوهش حاضر تبیین اثر یادگیری فدرال بر مدیریت داده های حساس شهری در شهرداری ها و بررسی پیامدهای آن بر امنیت داده، حریم خصوصی و بهبود مدیریت داده است. نتایج مورد انتظار این مطالعه ارائه چارچوبی مفهومی برای استفاده از یادگیری فدرال در سناریوهای شهری و نشان دادن نقش آن در تقویت حکمرانی داده و ارتقای تصمیم گیری مبتنی بر داده است.

کلیدواژه ها:

یادگیری فدرال ، مدیریت شهری ، داده های حساس