<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Real-Time on Blog Formize.com</title><link>https://blog.formize.com/cs/tags/real-time/</link><description>Recent content in Real-Time on Blog Formize.com</description><generator>Hugo</generator><language>cs</language><atom:link href="https://blog.formize.com/cs/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Generování syntetických dat v reálném čase s ochranou soukromí na okraji pomocí homomorfního šifrování a federovaného učení</title><link>https://blog.formize.com/cs/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/cs/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generování-syntetických-dat-v-reálném-čase-s-ochranou-soukromí-na-okraji-pomocí-homomorfního-šifrování-a-federovaného-učení">Generování syntetických dat v reálném čase s ochranou soukromí na okraji pomocí homomorfního šifrování a federovaného učení&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge AI přechází od úloh pouze s inferencí k &lt;strong>datově‑centrickým&lt;/strong> pipeline, které vyžadují kontinuální aktualizace modelů, trénink na zařízení a generování syntetických dat. Zatímco syntetická data mohou dramaticky snížit potřebu nákladného sběru reálných dat, zároveň vyvolávají &lt;strong>obavy o soukromí&lt;/strong>, pokud zdrojová data pocházejí z uživatelských zařízení. Tradiční techniky anonymizace (maskování, diferencální soukromí) buď snižují užitečnost dat, nebo vyžadují důvěryhodnou centrální autoritu — což je v latencí‑citlivých okrajových scénářích nechtěné.&lt;/p></description></item></channel></rss>