<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Synthetic Data Generation on Formize.com blog</title><link>https://blog.formize.com/hr/tags/synthetic-data-generation/</link><description>Recent content in Synthetic Data Generation on Formize.com blog</description><generator>Hugo</generator><language>hr</language><atom:link href="https://blog.formize.com/hr/tags/synthetic-data-generation/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>Energetski učinkovito generiranje sintetičkih podataka za Edge AI s ograničenjem baterije</title><link>https://blog.formize.com/hr/energy-efficient-synthetic-data-generation-for-battery-const/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/energy-efficient-synthetic-data-generation-for-battery-const/</guid><description>&lt;h1 id="energetski-učinkovito-generiranje-sintetičkih-podataka-za-edge-ai-s-ograničenjem-baterije">Energetski učinkovito generiranje sintetičkih podataka za Edge AI s ograničenjem baterije&lt;/h1>
&lt;p>Edge AI se pomiče od radnih opterećenja samo za inferenciju prema &lt;strong>podatkovno‑centriranim cjevovodima&lt;/strong> gdje uređaji ne samo da konzumiraju podatke, već ih i &lt;strong>stvaraju&lt;/strong>. Generiranje sintetičkih podataka na rubu može dramatično smanjiti latenciju, zaštititi privatnost i ublažiti troškove propusnosti. Međutim, edge uređaji—posebno oni napajani baterijama—imaju stroga energetska ograničenja. Ovaj članak predstavlja sveobuhvatan, energetski svjestan pristup generiranju sintetičkih podataka na edge čvorovima s ograničenjem baterije, kombinirajući kompresiju modela, difuziju na uređaju i federiranu koordinaciju.&lt;/p></description></item><item><title>Generiranje kvantno spremnih sintetičkih podataka za Edge AI</title><link>https://blog.formize.com/hr/quantum-ready-synthetic-data-generation-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/quantum-ready-synthetic-data-generation-for-edge-ai/</guid><description>&lt;h1 id="generiranje-kvantno-spremnih-sintetičkih-podataka-za-edge-ai">Generiranje kvantno spremnih sintetičkih podataka za Edge AI&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Edge AI se brzo pomiče iz istraživačke znatiželje u proizvodnu stvarnost, omogućujući uređajima — od nosivih tehnologija do autonomnih dronova — da lokalno izvršavaju inferenciju, smanjuju latenciju i čuvaju privatnost korisnika. Ipak, treniranje i fino podešavanje modela na rubu ostaje veliki izazov jer su stvarni podaci često oskudni, bučni ili pravno ograničeni. Sintetički podaci nude uvjerljivo rješenje, ali tradicionalni generatori oslanjaju se na pseudo‑slučajne generatora brojeva (PRNG‑ove) koji se mogu reverzno inženjerski otkriti, otkrivajući obrasce kritične za privatnost.&lt;/p></description></item><item><title>Generiranje sintetičkih podataka temeljeno na uzročnim grafovima za regulatornu usklađenost</title><link>https://blog.formize.com/hr/causal-graph-synthetic-data-for-compliance/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/causal-graph-synthetic-data-for-compliance/</guid><description>&lt;h1 id="generiranje-sintetičkih-podataka-temeljeno-na-uzročnim-grafovima-za-regulatornu-usklađenost">Generiranje sintetičkih podataka temeljeno na uzročnim grafovima za regulatornu usklađenost&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Sintetički podaci postali su temelj za treniranje AI modela kada su stvarni podaci rijetki, osjetljivi ili strogo regulirani. Dok tradicionalne generativne tehnike (GAN‑ovi, difuzijski modeli, LLM‑vođeni simulatori) odlično oponašaju statističke distribucije, često zanemaruju &lt;strong>uzročna odnosa&lt;/strong> koje regulatori sve više zahtijevaju da se očuvaju.&lt;/p>
&lt;p>Regulatori poput &lt;strong>&lt;a href="https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai" target="_blank" rel="noreferrer nofollow">AI Act‑a EU&lt;/a>&lt;/strong>, američke &lt;strong>FDA&lt;/strong> za medicinske uređaje i &lt;strong>&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>&lt;/strong> za privatnost potrošača kreću se prema &lt;strong>objašnjivosti&lt;/strong> i &lt;strong>sljedivosti&lt;/strong> podataka u cjevovodima. Sintetički skup podataka koji samo reproducira marginalne statistike može proći površinski audit, ali će propasti kada regulator pita: „Možete li dokazati da sintetički zapisi poštuju temeljne uzročnike izvorne populacije?“&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></channel></rss>