<?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 בלוג Formize.com</title><link>https://blog.formize.com/he/tags/real-time/</link><description>Recent content in Real-Time on בלוג Formize.com</description><generator>Hugo</generator><language>he</language><atom:link href="https://blog.formize.com/he/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>