<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Data Provenance on مدونة Formize.com</title><link>https://blog.formize.com/ar/tags/data-provenance/</link><description>Recent content in Data Provenance on مدونة Formize.com</description><generator>Hugo</generator><language>ar</language><atom:link href="https://blog.formize.com/ar/tags/data-provenance/index.xml" rel="self" type="application/rss+xml"/><item><title>تسريع توثيق بيانات التعلم المتعدد وتوافقها باستخدام Formize</title><link>https://blog.formize.com/ar/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="تسريع-توثيق-بيانات-التعلم-المتعدد-وتوافقها-باستخدام-formize">تسريع توثيق بيانات التعلم المتعدد وتوافقها باستخدام Formize&lt;/h1>
&lt;p>أصبح التعلم المتعدد (FL) الاستراتيجية الفعلية لتدريب نماذج ذكاء اصطناعي عالية الجودة مع إبقاء البيانات الخام على الجهاز. يحل هذا النهج العديد من مخاوف الخصوصية، لكنه يضيف مجموعة جديدة من تحديات الامتثال: تتبع أي بيانات ساهمت في أي تحديث للنموذج، إثبات أن الموافقة تم الحصول عليها، وضمان أن سجلات التدقيق غير قابلة للتغيير عبر آلاف العقد الطرفية.&lt;/p>
&lt;p>Formize، منصة منخفضة/بدون كود لبناء سير عمل متوافق، يمكنها سد هذه الفجوة. من خلال الاستفادة من محرك النماذج الديناميكي في Formize، مخططات البيانات التي تُدار بالإصدارات، وسجلات التدقيق المدعومة بالبلوك تشين، يمكن للمنظمات &lt;strong>تسريع&lt;/strong> دورة حياة التوثيق بالكامل—من جمع البيانات على الطرف إلى إعداد التقارير التنظيمية في السحابة—دون كتابة سطر واحد من الشيفرة.&lt;/p></description></item></channel></rss>