<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on مدونة Formize.com</title><link>https://blog.formize.com/ar/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on مدونة Formize.com</description><generator>Hugo</generator><language>ar</language><atom:link href="https://blog.formize.com/ar/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>تعاون متعدد الأطراف للبيانات التركيبية الآمنة باستخدام التشفير المتجانس</title><link>https://blog.formize.com/ar/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="تعاون-متعدد-الأطراف-للبيانات-التركيبية-الآمنة-باستخدام-التشفير-المتجانس">تعاون متعدد الأطراف للبيانات التركيبية الآمنة باستخدام التشفير المتجانس&lt;/h1>
&lt;p>في عصر تصبح فيه نماذج الذكاء الاصطناعي المدفوعة بالبيانات هي الميزة التنافسية، &lt;strong>البيانات التركيبية&lt;/strong> برزت كبديل قوي لمشاركة السجلات الواقعية. ومع ذلك، عندما تحتاج عدة أطراف إلى &lt;strong>إنشاء مشترك&lt;/strong> لمجموعات بيانات تركيبية—مثل أبحاث الصحة عبر الصناعات، تحليلات التمويل المتوزعة، أو محاكاة المركبات الذاتية المشتركة—تصبح الخصوصية والامتثال التنظيمي والثقة عوائق رئيسية.&lt;/p>
&lt;p>تقدم هذه المقالة &lt;strong>إطار تعاون يحافظ على الخصوصية&lt;/strong> يجمع بين ثلاثة مفاهيم متقدمة:&lt;/p></description></item><item><title>توليد بيانات اصطناعية آمنة موزعة على الحافة باستخدام التشفير المتجانس</title><link>https://blog.formize.com/ar/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-آمنة-موزعة-على-الحافة-باستخدام-التشفير-المتجانس">توليد بيانات اصطناعية آمنة موزعة على الحافة باستخدام التشفير المتجانس&lt;/h1>
&lt;p>في عالم تتشدد فيه تشريعات خصوصية البيانات وتزداد فيه أعباء الذكاء الاصطناعي على الحافة، تواجه المؤسسات مفارقة: تحتاج إلى مجموعات بيانات غنية ومتنوعة لتدريب النماذج، لكنها لا تستطيع نقل البيانات الخام إلى السحب المركزية. &lt;strong>البيانات الاصطناعية&lt;/strong>—السجلات المولدة صناعيًا التي تحافظ على الخصائص الإحصائية للمصدر—توفر حلاً مقنعًا، لكن توليدها بأمان على أجهزة الحافة يطرح تحديات جديدة.&lt;/p>
&lt;p>يقدم هذا المقال &lt;strong>معمارية شمولية ذات ثقة صفرية&lt;/strong> تستفيد من &lt;strong>التشفير المتجانس (HE)&lt;/strong>، &lt;strong>التعلم الموزع (FL)&lt;/strong>، و&lt;strong>الحوكمة المدفوعة بالسياسات&lt;/strong> لإنتاج بيانات اصطناعية مباشرة على عقد الحافة مع ضمان السرية من الطرف إلى الطرف. نستعرض البنى التشفيرية، مخطط تدفق البيانات، طبقة الحوكمة، وأنماط النشر العملية التي تجعل هذا النهج جاهزًا للإنتاج.&lt;/p></description></item><item><title>توليد بيانات اصطناعية مدعوم بالتشفير المتجانس على الحافة</title><link>https://blog.formize.com/ar/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-مدعوم-بالتشفير-المتجانس-على-الحافة">توليد بيانات اصطناعية مدعوم بالتشفير المتجانس على الحافة&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>أجهزة الحافة — الكاميرات الذكية، الأجهزة القابلة للارتداء، حساسات الصناعة — تجمع تدفقات هائلة من البيانات الشخصية أو الملكية. تقوم الأنابيب التقليدية بنقل هذه البيانات الخام إلى السحابة للتنظيف أو التعزيز أو توليد البيانات الاصطناعية، مما يعرضها للاعتراض، خروقات التنظيم، وعقوبات التأخير.&lt;/p>
&lt;p>&lt;strong>التشفير المتجانس (HE)&lt;/strong> يقدم بديلاً جذابًا: يسمح بالعمليات مباشرةً على البيانات المشفرة، محافظًا على السرية مع تمكين التحليلات المتقدمة. دمج HE مع مولدات البيانات الاصطناعية على الجهاز يخلق &lt;strong>خط أنابيب بيانات اصطناعية يحافظ على الخصوصية&lt;/strong> لا يكشف أبدًا عن الحمولة الأصلية، حتى لمحرك الحوسبة نفسه.&lt;/p></description></item><item><title>توليد بيانات اصطناعية مضمونة الخصوصية في الوقت الحقيقي على الحافة باستخدام التشفير المتجانس والتعلم المتحد</title><link>https://blog.formize.com/ar/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-مضمونة-الخصوصية-في-الوقت-الحقيقي-على-الحافة-باستخدام-التشفير-المتجانس-والتعلم-المتحد">توليد بيانات اصطناعية مضمونة الخصوصية في الوقت الحقيقي على الحافة باستخدام التشفير المتجانس والتعلم المتحد&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>يتحول الذكاء الاصطناعي على الحافة من أعباء عمل تقتصر على الاستدلال إلى خطوط أنابيب &lt;strong>مركزة على البيانات&lt;/strong> تتطلب تحديثات مستمرة للنماذج، وتدريبًا على الجهاز، وتوليد بيانات اصطناعية. بينما يمكن للبيانات الاصطناعية أن تقلل بشكل كبير من الحاجة إلى جمع بيانات واقعية مكلفة، فإنها تثير أيضًا مخاوف &lt;strong>خصوصية&lt;/strong> عندما تكون البيانات المصدرية من أجهزة المستخدمين. تقنيات إخفاء الهوية التقليدية (التقنيع، الخصوصية التفاضلية) إما تُضعف فائدة البيانات أو تتطلب سلطة مركزية موثوقة—كلاهما غير مرغوب فيه في سيناريوهات الحافة الحساسة للزمن.&lt;/p></description></item><item><title>نسيج بيانات صناعية صفر الثقة للذكاء الاصطناعي على الحافة</title><link>https://blog.formize.com/ar/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="نسيج-بيانات-صناعية-صفر-الثقة-للذكاء-الاصطناعي-على-الحافة">نسيج بيانات صناعية صفر الثقة للذكاء الاصطناعي على الحافة&lt;/h1>
&lt;h2 id="1-لماذا-يحتاج-الذكاء-الاصطناعي-على-الحافة-إلى-نسيج-بيانات-صناعية-zero-trusthttpswwwnistgovcyberframework">1. لماذا يحتاج الذكاء الاصطناعي على الحافة إلى نسيج بيانات صناعية &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a>&lt;/h2>
&lt;p>الأجهزة الطرفية — المستشعرات الصناعية، الطائرات بدون طيار المستقلة، الكاميرات الذكية، والأجهزة القابلة للارتداء — أصبحت مسؤولة بشكل متزايد عن توليد ومعالجة واتخاذ إجراءات بناءً على البيانات في الوقت الفعلي. على عكس السحب المركزية، بيئات الحافة &lt;strong>موزعة، غير متجانسة، وغالبًا ما تعمل في شبكات معادية أو غير مُتحكم فيها جيدًا&lt;/strong>. نماذج الأمان التقليدية القائمة على الحدود تفشل في حماية البيانات الحساسة التي تمر عبر هذه العقد، خاصة عندما تُستخدم البيانات الصناعية لتوسيع عينات التدريب القليلة.&lt;/p></description></item></channel></rss>