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