<?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 Formize.com blog</title><link>https://blog.formize.com/hr/categories/privacy/</link><description>Recent content in Privacy on Formize.com blog</description><generator>Hugo</generator><language>hr</language><atom:link href="https://blog.formize.com/hr/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Diferencijalno Privatna Kompresija Sintetičkih Podataka za Prijenos na Rubu s Niskom Propusnošću</title><link>https://blog.formize.com/hr/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="diferencijalno-privatna-kompresija-sintetičkih-podataka-za-prijenos-na-rubu-s-niskom-propusnošću">Diferencijalno Privatna Kompresija Sintetičkih Podataka za Prijenos na Rubu s Niskom Propusnošću&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Uređaji na rubu—pametne kamere, nosivi uređaji, industrijski senzori—sve više generiraju masivne tokove podataka koji se moraju dijeliti s centralnim platformama za analitiku. Prijenos sirovih podataka često je neizvediv zbog ograničene propusnosti, ograničenja energije i strogih propisa o privatnosti poput &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> i &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Generiranje sintetičkih podataka pojavilo se kao moćna tehnika za dijeljenje korisnih informacija uz zaštitu sirovih osobnih podataka. Međutim, sintetički skupovi podataka mogu biti veliki, osobito kada očuvaju visokodimenzionalne strukture potrebne za kasnije AI modele.&lt;/p></description></item><item><title>Diferencijalno privatni sintetički podaci za Edge zdravstveni IoT</title><link>https://blog.formize.com/hr/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="diferencijalno-privatni-sintetički-podaci-za-edge-zdravstveni-iot">Diferencijalno privatni sintetički podaci za Edge zdravstveni IoT&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Uređaji za medicinsku skrb na rubu mreže — nosivi monitori otkucaja srca, senzori glukoze, prijenosni ultrazvučni sonde — generiraju masivne tokove osobno identificirajućih zdravstvenih informacija. Premještanje analitike na rub smanjuje latenciju i troškove propusnosti, ali istovremeno postavlja ključno pitanje: &lt;strong>Kako izvući vrijednost iz tih podataka a da se ne izloži privatnost pacijenata?&lt;/strong>&lt;/p>
&lt;p>Generiranje sintetičkih podataka nudi obećavajući odgovor. Trening generativnog modela na stvarnim mjerenjima i potom objavljivanje samo izlaza modela omogućuje organizacijama dijeljenje podataka za istraživanje, treniranje AI modela ili međuinstitucionalnu suradnju, bez ikada prijenosa sirovih zapisa pacijenata. Međutim, naivni sustavi za sintetičke podatke još uvijek mogu procuriti osjetljive informacije putem inverzije modela ili napada na otkrivanje članstva.&lt;/p></description></item><item><title>Dinamičko generiranje sintetičkih podataka na rubu kombinirajući federirano učenje, zero‑trust i kontrole privatnosti u stvarnom vremenu</title><link>https://blog.formize.com/hr/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/edge-synthetic-data-generation/</guid><description>&lt;h1 id="dinamičko-generiranje-sintetičkih-podataka-na-rubu-kombinirajući-federirano-učenje-zerotrust-i-kontrole-privatnosti-u-stvarnom-vremenu">Dinamičko generiranje sintetičkih podataka na rubu kombinirajući federirano učenje, zero‑trust i kontrole privatnosti u stvarnom vremenu&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Sintetički podaci postali su temelj za treniranje modela strojnog učenja kada su stvarni podaci rijetki, osjetljivi ili skupi za prikupljanje. Tradicionalni pipeline‑ovi sintetičkih podataka izvode se u centraliziranim podatkovnim centrima, povlače sirove podatke iz više izvora, primjenjuju transformacije koje čuvaju privatnost i zatim distribuiraju generirane podatke krajnjim korisnicima. Iako je ovaj model učinkovit, uvodi latenciju, opterećenje mreže i jedinstvenu točku kvara za usklađenost s privatnošću.&lt;/p></description></item><item><title>Generiranje sintetičkih podataka na rubu uz pomoć homomorfne enkripcije</title><link>https://blog.formize.com/hr/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="generiranje-sintetičkih-podataka-na-rubu-uz-pomoć-homomorfne-enkripcije">Generiranje sintetičkih podataka na rubu uz pomoć homomorfne enkripcije&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Uređaji na rubu — pametne kamere, nosive tehnologije, industrijski senzori — prikupljaju masivne tokove osobnih ili vlasničkih podataka. Tradicionalni pipeline‑i šalju ove sirove podatke u oblak radi čišćenja, augmentacije ili generiranja sintetičkih podataka, čime ih izlažu presretanju, regulatornim prekršajima i kašnjenjima.&lt;/p>
&lt;p>&lt;strong>Homomorfna enkripcija (HE)&lt;/strong> nudi privlačnu alternativu: omogućuje izračune izravno na enkriptiranim podacima, čuvajući povjerljivost, a istovremeno omogućuje sofisticiranu analitiku. Spoj HE‑a s generatorima sintetičkih podataka na uređaju stvara &lt;strong>pipeline za sintetičke podatke uz očuvanje privatnosti&lt;/strong> koji nikada ne otkriva izvorni payload, čak ni samom računalu.&lt;/p></description></item><item><title>Generiranje sintetičkih podataka u stvarnom vremenu uz očuvanje privatnosti na rubu uz homomorfno šifriranje i federirano učenje</title><link>https://blog.formize.com/hr/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/hr/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generiranje-sintetičkih-podataka-u-stvarnom-vremenu-uz-očuvanje-privatnosti-na-rubu-uz-homomorfno-šifriranje-i-federirano-učenje">Generiranje sintetičkih podataka u stvarnom vremenu uz očuvanje privatnosti na rubu uz homomorfno šifriranje i federirano učenje&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Rubna AI prelazi s radnih opterećenja koja se bave samo inferencijom na &lt;strong>podatkovno‑usmjerene&lt;/strong> cjevovode koji zahtijevaju kontinuirano ažuriranje modela, treniranje na uređaju i generiranje sintetičkih podataka. Iako sintetički podaci mogu dramatično smanjiti potrebu za skupim prikupljanjem podataka iz stvarnog svijeta, oni također podižu &lt;strong>pitanja privatnosti&lt;/strong> kada izvorni podaci potječu od korisničkih uređaja. Tradicionalne tehnike anonimizacije (maskiranje, diferencijalna privatnost) ili degradiraju korisnost podataka ili zahtijevaju pouzdanu centralnu autoritet – oba su nepoželjna za scenarije na rubu osjetljive na latenciju.&lt;/p></description></item><item><title>Generiranje sintetičkih podataka uz diferencijalnu privatnost vođeno pojačanim učenjem za Edge AI</title><link>https://blog.formize.com/hr/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="generiranje-sintetičkih-podataka-uz-diferencijalnu-privatnost-vođeno-pojačanim-učenjem-za-edge-ai">Generiranje sintetičkih podataka uz diferencijalnu privatnost vođeno pojačanim učenjem za Edge AI&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Edge AI mijenja industrije, od autonomnih vozila do daljinskog praćenja zdravlja. Premještanjem inferencije i treniranja bliže izvoru podataka smanjuju se latencija, potrošnja propusnosti i poboljšava se suverenitet podataka. Međutim, edge uređaji često rade pod strogim propisima o privatnosti (&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>) i s ograničenim računalnim resursima. Sintetički podaci – umjetno generirani zapisi koji očuvavaju statistička svojstva stvarnih podataka – nude privlačan način za dijeljenje uvida bez otkrivanja sirovih informacija.&lt;/p></description></item></channel></rss>