<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy on בלוג Formize.com</title><link>https://blog.formize.com/he/categories/privacy/</link><description>Recent content in Privacy on בלוג Formize.com</description><generator>Hugo</generator><language>he</language><atom:link href="https://blog.formize.com/he/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>דחיסת נתונים סינתטיים פרטיים דיפרנציאלית להעברה בקצוות ברוחב פס נמוך</title><link>https://blog.formize.com/he/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="דחיסת-נתונים-סינתטיים-פרטיים-דיפרנציאלית-להעברה-בקצוות-ברוחב-פס-נמוך">דחיסת נתונים סינתטיים פרטיים דיפרנציאלית להעברה בקצוות ברוחב פס נמוך&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>מכשירי קצה—מצלמות חכמות, לבישים, חיישנים תעשייתיים—מייצרים באופן הולך וגובר זרמים עצומים של נתונים שצריך לשתף עם פלטפורמות אנליטיקה מרכזיות. העברת נתונים גולמיים לרוב אינה אפשרית עקב מגבלות רוחב פס, מגבלות חשמל, ותקנות פרטיות מחמירות כגון &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> ו‑&lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. יצירת נתונים סינתטיים הפכה לטכניקה חזקה לשיתוף מידע מועיל תוך שמירה על נתונים אישיים גולמיים. עם זאת, מערכי נתונים סינתטיים יכולים להיות גדולים, במיוחד כאשר הם משמרים מבנים בעלי‑ממד גבוה הנדרשים למודלים AI מתקדמים.&lt;/p></description></item><item><title>הצפנה הומומורפית המאפשרת יצירת נתונים סינתטיים בקצה</title><link>https://blog.formize.com/he/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="הצפנה-הומומורפית-המאפשרת-יצירת-נתונים-סינתטיים-בקצה">הצפנה הומומורפית המאפשרת יצירת נתונים סינתטיים בקצה&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>מכשירי קצה — מצלמות חכמות, לבישים, חיישנים תעשייתיים — אוספים זרמים עצומים של נתונים אישיים או קנייניים. צינורות מסורתיים מעבירים את הנתונים הגולמיים לענן לצורך ניקוי, הגדלה או יצירת נתונים סינתטיים, מה שמ expose אותם ליירוט, הפרות רגולטוריות ועיכובי זמן.&lt;/p>
&lt;p>&lt;strong>הצפנה הומומורפית (HE)&lt;/strong> מציעה אלטרנטיבה משכנעת: היא מאפשרת חישוב ישירות על נתונים מוצפנים, משמרת סודיות תוך כדי אפשרות לבצע אנליטיקה מתקדמת. שילוב HE עם מחוללי נתונים סינתטיים במכשיר יוצר &lt;strong>צינור נתונים סינתטיים המגנה על פרטיות&lt;/strong> שלעולם אינו חושף את המטען המקורי, אפילו למנוע החישוב עצמו.&lt;/p></description></item><item><title>יצירת נתונים סינתטיים בזמן אמת עם שמירה על פרטיות בקצה באמצעות הצפנה הומומורפית ולמידה פדרטיבית</title><link>https://blog.formize.com/he/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/he/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="יצירת-נתונים-סינתטיים-בזמן-אמת-עם-שמירה-על-פרטיות-בקצה-באמצעות-הצפנה-הומומורפית-ולמידה-פדרטיבית">יצירת נתונים סינתטיים בזמן אמת עם שמירה על פרטיות בקצה באמצעות הצפנה הומומורפית ולמידה פדרטיבית&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>בינה מלאכותית בקצה (Edge AI) עוברת מעבודות רק של אינפרנס למערכי &lt;strong>נתונים‑מרכזיים&lt;/strong> הדורשים עדכוני מודלים רציפים, אימון על‑המכשיר ויצירת נתונים סינתטיים. בעוד שנתונים סינתטיים יכולים להפחית באופן דרמטי את הצורך באיסוף יקר של נתונים מהעולם האמיתי, הם גם מעלים חששות &lt;strong>פרטיות&lt;/strong> כאשר הנתונים המקוריים נובעים ממכשירי המשתמשים. טכניקות אנונימיזציה מסורתיות (הסתרה, פרטיות דיפרנציאלית) או מפחיתות את תועלת הנתונים או דורשות רשות מרכזית מהימנה – שני מצבים שאינם רצויים בתרחישים של קצה רגישים לעיכוב.&lt;/p></description></item><item><title>יצירת נתונים סינתטיים דינאמיים בקצה המשולבת עם למידת פדרציה, אמון אפסי ובקרות פרטיות בזמן אמת</title><link>https://blog.formize.com/he/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/edge-synthetic-data-generation/</guid><description>&lt;h1 id="יצירת-נתונים-סינתטיים-דינאמיים-בקצה-המשולבת-עם-למידת-פדרציה-אמון-אפסי-ובקרות-פרטיות-בזמן-אמת">יצירת נתונים סינתטיים דינאמיים בקצה המשולבת עם למידת פדרציה, אמון אפסי ובקרות פרטיות בזמן אמת&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>נתונים סינתטיים הפכו לעמוד תווך באימון מודלים של למידת מכונה כאשר נתונים מהעולם האמיתי נדירים, רגישים או יקרים להשגה. צינורות נתונים סינתטיים מסורתיים פועלים במרכזי נתונים מרוכזים, מושכים נתונים גולמיים ממקורות שונים, מבצעים טרנספורמציות מגנות פרטיות, ולאחר מכן מפיצים את הנתונים שנוצרו לצרכנים השונים. למרות היעילות, מודל זה יוצר השהייה, עומס רוחב פס ונקודת כשל יחידה מבחינת תאימות לפרטיות.&lt;/p></description></item><item><title>למידת חיזוק מנחה יצירת נתונים סינתטיים פרטיים דיפרנציאלית עבור Edge AI</title><link>https://blog.formize.com/he/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="למידת-חיזוק-מנחה-יצירת-נתונים-סינתטיים-פרטיים-דיפרנציאלית-עבור-edge-ai">למידת חיזוק מנחה יצירת נתונים סינתטיים פרטיים דיפרנציאלית עבור Edge AI&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>Edge AI משנה תעשיות שונות, החל מרכבים אוטונומיים ועד ניטור בריאות מרחוק. על‑ידי העברת ההסקה והאימון קרוב למקור הנתונים, מתרחשת ירידה במתן השהייה, צמצום צריכת רוחב‑הפס ושיפור ריבונות הנתונים. עם זאת, מכשירי קצה פועלים לעיתים תחת רגולציות פרטיות מחמירות (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>) ומשאבים חישוביים מוגבלים. נתונים סינתטיים – רשומות שנוצרות באופן מלאכותי ומשמרות את המאפיינים הסטטיסטיים של הנתונים האמיתיים – מציעים דרך משכנעת לשתף תובנות מבלי לחשוף מידע גולמי.&lt;/p></description></item><item><title>נתונים סינתטיים פרטיים דיפרנציאליים עבור IoT בריאות בקצה</title><link>https://blog.formize.com/he/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="נתונים-סינתטיים-פרטיים-דיפרנציאליים-עבור-iot-בריאות-בקצה">נתונים סינתטיים פרטיים דיפרנציאליים עבור IoT בריאות בקצה&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>מכשירי רפואה המופעלים בקצה — מדדי קצב לב ניידים, חיישני גלוקוז, פרובי של אולטרסאונד ניידים — מייצרים זרמים עצומים של מידע בריאותי אישי. בעוד שהעברת האנליטיקה לקצה מפחיתה השהייה ועלויות רוחב‑הפס, היא גם מעלה שאלה קריטית: &lt;strong>איך נוכל להפיק ערך מהנתונים מבלי לחשוף את פרטיות המטופל?&lt;/strong>&lt;/p>
&lt;p>הפקת נתונים סינתטיים מציעה תשובה מבטיחה. על‑ידי אימון מודל גנרטיבי על מדידות אמיתיות ולאחר מכן שחרור רק של פלטי המודל, ארגונים יכולים לשתף נתונים למחקר, אימון מודלים של AI, או שיתוף פעולה בין‑מוסדי מבלי להעביר רשומות חולים גולמיות. עם זאת, צינורות נתונים סינתטיים נאיביים עדיין עלולים לדלוף מידע רגיש דרך התקפות הפיכת מודל או חיפוש חברות.&lt;/p></description></item></channel></rss>