英國通訊傳播管理局發表「開放通訊：使人們能夠透過創新服務共享資料」，提供通訊業者建立開放通訊（Open Communications）之原則建議
英國通訊傳播管理局（The Office of Communications, Ofcom）於2020年8月發布「開放通訊：使人們能夠透過創新服務共享資料」（Open Communications: Enabling people to share data with innovative services），針對開放通訊的設計原理提出七點建議：
- 應盡可能讓符合條件的第三方能夠近用（access）資料，同時確保用戶受到保護。
- 應提供客戶一些目前無法取得的資料，例如有關網路服務品質的體驗報告，以提供使用者做為未來交易時之參考。
- 資料的提供商和第三方必須確保資料儲存和傳輸的安全性。
- 第三方將如何使用有關客戶的資料及是否含有潛在風險等，皆應清楚透明地告知使用者，並且讓共享資料之使用者仍保有控制權限。
- 開放通訊服務之設計應符合包容性設計（inclusive design），提高使用者使用意願。
- 開放通訊仍應維持市場競爭。
- 提供資料所需的成本應與資料開放的潛在收益成比例。原則上，參與開放通訊的通訊提供者越多，對個人和小型企業的整體價值就越高。惟，若是強制要求用戶數少或是無法承擔該技術的小型提供商加入，可能導致成本與收益不成比例。
除此之外，對於應開放何種資料則須循序漸進。除了增加對第三方客戶資料近用權限之外，首先，應針對開放對資料提供者風險低，但對潛在用戶有較高利益的資料，例如：不包含個人訊息的資料，從而降低匿名化過程中所產生之風險；第二，開放低風險的地理空間資料（geospatial data），目的在於改善該地區的整體地理空間資料基礎架構。最後才是開放有關各種通訊產品中的其他資料，以促進消費者的選擇和保護。
綜上所述，考慮到開放通訊之可行性，需進一步與其他資料可攜性計劃的主要代表進行會談（如銀行業者），尋求各行業主要服務提供商的支持。再者，考慮是否訂定相關法律以及如何進行監管。第三，應標準化客戶資料，以及確保資料移動之安全性及用戶控制權限，最後則是降低資料開放之成本，以達成開放通訊所帶來之效益。
許嘉芳
法律研究員 編譯整理
OPEN DATA INSTITUTE, Open communications: an open trustworthy data ecosystem for the telecommunications sector (Aug. 4, 2020), http://theodi.org/wp-content/uploads/2020/08/OPEN_Open-Communications-workshop-report_Ofcom_Final.pdf (last visited Aug. 11, 2020).
OFCOM, Open Communications: Enabling people to share data with innovative services (Aug. 4, 2020), https://www.ofcom.org.uk/__data/assets/pdf_file/0030/199146/consultation-open-communications.pdf (last visited Aug. 11, 2020).
隨著以網路平台經營仲介事業的Airbnb服務開始流行，鎖定國外觀光客的個人住宅和投資型不動產出租產生一種新型態的商機，加上近年旅日遊客增加及2020東京奧運即將來臨，日本政府預期將會有短暫性遊客人數激增。為解決訪日旅客居住設施問題以及特定期間過後旅館閒置造成之資源浪費或倒產問題，日本將在明年（2018）六月施行住宅宿泊事業法（民泊新法）採取鬆綁民宿短期經營之法規限制。該法變革重點包含： 行政程序：原先依據旅館業法採取許可制，民泊新法施行後為申報制。 營業日數：層級化區分旅館與民泊限制年營業180日。 宿泊日數：解除住宿日限制（例如大阪民泊條例須三天兩夜以上）。 建物用途：原本必須為許可旅館，施行後住宅、公寓及招待所皆可。 營業地區：限制在住居專用地營業。 本法施行後將可明顯區分旅館業與民泊業強化管理，並且呼應日本政府的經濟振興計畫，帶動兼業、副業及提供自營作業者從事經濟活動的管道。另外，因新法施行後合法民泊增加產生的新型態商機成為吸引大型平台或企業投入政府經濟再興計畫之誘因，進而提供協助個人民泊經營者申報、環境改善、及代理管理等業務，有利於政府推動相關社會安全網建置。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。
M2M時代下的資料保護權利之進展－歐盟與日本觀察 簡介美國700MHz頻段之使用規劃