<?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 Blog Formize.com</title><link>https://blog.formize.com/id/categories/privacy/</link><description>Recent content in Privacy on Blog Formize.com</description><generator>Hugo</generator><language>id</language><atom:link href="https://blog.formize.com/id/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Data Sintetis Diferensial Pribadi untuk Edge Healthcare IoT</title><link>https://blog.formize.com/id/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="data-sintetis-diferensial-pribadi-untuk-edge-healthcare-iot">Data Sintetis Diferensial Pribadi untuk Edge Healthcare IoT&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Perangkat medis yang diaktifkan pada edge—monitor detak jantung yang dapat dipakai, sensor glukosa, probe ultrasonik portabel—menghasilkan aliran data kesehatan yang dapat diidentifikasi secara pribadi dalam jumlah besar. Memindahkan analitik ke edge mengurangi latensi dan biaya bandwidth, namun juga menimbulkan pertanyaan kritis: &lt;strong>Bagaimana kita dapat mengekstrak nilai dari data ini tanpa mengungkapkan privasi pasien?&lt;/strong>&lt;/p>
&lt;p>Pembuatan data sintetis menawarkan jawaban yang menjanjikan. Dengan melatih model generatif pada pengukuran nyata dan kemudian hanya merilis output model, organisasi dapat berbagi data untuk penelitian, pelatihan model AI, atau kolaborasi lintas institusi tanpa pernah mentransmisikan rekam medis mentah. Namun, pipeline data sintetis yang naïf masih dapat bocor informasi sensitif melalui serangan inversi model atau inferensi keanggotaan.&lt;/p></description></item><item><title>Enkripsi Homomorfik Dukung Generasi Data Sintetis di Edge</title><link>https://blog.formize.com/id/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="enkripsi-homomorfik-dukung-generasi-data-sintetis-di-edge">Enkripsi Homomorfik Dukung Generasi Data Sintetis di Edge&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Perangkat edge—kamera pintar, wearables, sensor industri—mengumpulkan aliran data pribadi atau proprietari dalam jumlah besar. Pipeline tradisional memindahkan data mentah ini ke cloud untuk pembersihan, augmentasi, atau generasi data sintetis, yang membuka peluang intersepsi, pelanggaran regulasi, dan penalti latensi.&lt;/p>
&lt;p>&lt;strong>Enkripsi Homomorfik (HE)&lt;/strong> menawarkan alternatif yang menarik: ia memungkinkan komputasi langsung pada data terenkripsi, menjaga kerahasiaan sambil tetap memungkinkan analitik canggih. Menggabungkan HE dengan generator data sintetis di perangkat menciptakan &lt;strong>pipeline data sintetis yang melindungi privasi&lt;/strong> yang tidak pernah mengungkapkan payload asli, bahkan kepada mesin komputasi itu sendiri.&lt;/p></description></item><item><title>Generasi Data Sintetis Diferensial Privat yang Dipandu oleh Pembelajaran Penguatan untuk Edge AI</title><link>https://blog.formize.com/id/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="generasi-data-sintetis-diferensial-privat-yang-dipandu-oleh-pembelajaran-penguatan-untuk-edge-ai">Generasi Data Sintetis Diferensial Privat yang Dipandu oleh Pembelajaran Penguatan untuk Edge AI&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Edge AI sedang mengubah industri mulai dari kendaraan otonom hingga pemantauan kesehatan jarak jauh. Dengan memindahkan inferensi dan pelatihan lebih dekat ke sumber data, latensi menurun, konsumsi bandwidth berkurang, dan kedaulatan data meningkat. Namun, perangkat edge sering beroperasi di bawah regulasi privasi yang ketat (&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>) dan sumber daya komputasi terbatas. Data sintetis—rekaman yang dihasilkan secara artifisial yang mempertahankan sifat statistik data nyata—menawarkan cara menarik untuk berbagi wawasan tanpa mengungkapkan informasi mentah.&lt;/p></description></item><item><title>Generasi Data Sintetis Dinamis di Edge Menggabungkan Federated Learning, Zero Trust, dan Kontrol Privasi Real-Time</title><link>https://blog.formize.com/id/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/edge-synthetic-data-generation/</guid><description>&lt;h1 id="generasi-data-sintetis-dinamis-di-edge-menggabungkan-federated-learning-zero-trust-dan-kontrol-privasi-real-time">Generasi Data Sintetis Dinamis di Edge Menggabungkan Federated Learning, Zero Trust, dan Kontrol Privasi Real-Time&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Data sintetis telah menjadi fondasi penting untuk melatih model pembelajaran mesin ketika data dunia nyata langka, sensitif, atau mahal untuk diperoleh. Pipeline data sintetis tradisional berjalan di pusat data terpusat, menarik data mentah dari berbagai sumber, menerapkan transformasi yang melindungi privasi, dan kemudian mendistribusikan data yang dihasilkan ke konsumen hilir. Meskipun efektif, model ini menimbulkan latensi, beban bandwidth, dan satu titik kegagalan untuk kepatuhan privasi.&lt;/p></description></item><item><title>Generasi Data Sintetis Real‑Time yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Terfederasi</title><link>https://blog.formize.com/id/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/id/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generasi-data-sintetis-realtime-yang-menjaga-privasi-di-edge-menggunakan-enkripsi-homomorfik-dan-pembelajaran-terfederasi">Generasi Data Sintetis Real‑Time yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Terfederasi&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Edge AI kini beralih dari beban kerja hanya inferensi ke pipeline &lt;strong>berbasis data&lt;/strong> yang memerlukan pembaruan model secara kontinu, pelatihan di perangkat, dan generasi data sintetis. Walaupun data sintetis dapat secara dramatis mengurangi kebutuhan pengumpulan data dunia nyata yang mahal, hal ini juga menimbulkan kekhawatiran &lt;strong>privasi&lt;/strong> ketika data sumber berasal dari perangkat pengguna. Teknik anonimisasi tradisional (masking, differential privacy) biasanya menurunkan kegunaan data atau memerlukan otoritas pusat yang dipercaya—kedua hal tidak diinginkan untuk skenario edge yang sensitif terhadap latensi.&lt;/p></description></item><item><title>Kompresi Data Sintetis Diferensial Pribadi untuk Transmisi Edge dengan Bandwidth Rendah</title><link>https://blog.formize.com/id/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="kompresi-data-sintetis-diferensial-pribadi-untuk-transmisi-edge-dengan-bandwidth-rendah">Kompresi Data Sintetis Diferensial Pribadi untuk Transmisi Edge dengan Bandwidth Rendah&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Perangkat edge—kamera pintar, perangkat wearable, sensor industri—semakin banyak menghasilkan aliran data besar yang perlu dibagikan ke platform analitik pusat. Mengirim data mentah sering tidak memungkinkan karena bandwidth terbatas, kendala daya, dan regulasi privasi ketat seperti &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> dan &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Generasi data sintetis muncul sebagai teknik kuat untuk berbagi informasi berguna sambil melindungi data pribadi mentah. Namun, dataset sintetis dapat berukuran besar, terutama ketika mereka mempertahankan struktur berdimensi tinggi yang diperlukan untuk model AI downstream.&lt;/p></description></item></channel></rss>