<?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 Formize.com ब्लॉग</title><link>https://blog.formize.com/hi/tags/data-provenance/</link><description>Recent content in Data Provenance on Formize.com ब्लॉग</description><generator>Hugo</generator><language>hi</language><atom:link href="https://blog.formize.com/hi/tags/data-provenance/index.xml" rel="self" type="application/rss+xml"/><item><title>फ़ॉर्माइज़ के साथ फ़ेडरेटेड लर्निंग डेटा प्रॉवेनेंस और अनुपालन को तेज़ करना</title><link>https://blog.formize.com/hi/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hi/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="फरमइज-क-सथ-फडरटड-लरनग-डट-परवनस-और-अनपलन-क-तज-करन">फ़ॉर्माइज़ के साथ फ़ेडरेटेड लर्निंग डेटा प्रॉवेनेंस और अनुपालन को तेज़ करना&lt;/h1>
&lt;p>फ़ेडरेटेड लर्निंग (FL) उच्च‑गुणवत्ता वाले AI मॉडल को प्रशिक्षित करने की डि‑फ़ैक्ट रणनीति बन गई है, जबकि कच्चा डेटा डिवाइस पर ही रहता है। यह दृष्टिकोण कई गोपनीयता समस्याओं को हल करता है, लेकिन यह नई अनुपालन चुनौतियों को भी पेश करता है: कौन सा डेटा किस मॉडल अपडेट में योगदान दिया, यह साबित करना कि सहमति प्राप्त हुई, और हजारों एज नोड्स में ऑडिट ट्रेल को अपरिवर्तनीय बनाना।&lt;/p></description></item></channel></rss>