<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Blog Formize.com</title><link>https://blog.formize.com/it/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Blog Formize.com</description><generator>Hugo</generator><language>it</language><atom:link href="https://blog.formize.com/it/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Collaborazione Sicura di Dati Sintetici Multi‑Partecipante con Crittografia Omomorfica</title><link>https://blog.formize.com/it/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="collaborazione-sicura-di-dati-sintetici-multipartecipante-con-crittografia-omomorfica">Collaborazione Sicura di Dati Sintetici Multi‑Partecipante con Crittografia Omomorfica&lt;/h1>
&lt;p>In un&amp;rsquo;epoca in cui i modelli di IA guidati dai dati rappresentano il vantaggio competitivo, i &lt;strong>dati sintetici&lt;/strong> sono emersi come una potente alternativa alla condivisione di record del mondo reale. Tuttavia, quando più parti devono &lt;strong>co‑creare&lt;/strong> dataset sintetici — ad esempio ricerca sanitaria intersettoriale, analisi finanziarie federate o simulazioni congiunte di veicoli autonomi — la privacy, la conformità normativa e la fiducia diventano ostacoli importanti.&lt;/p></description></item><item><title>Generazione di Dati Sintetici Alimentata da Crittografia Omomorfica al Bordo</title><link>https://blog.formize.com/it/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="generazione-di-dati-sintetici-alimentata-da-crittografia-omomorfica-al-bordo">Generazione di Dati Sintetici Alimentata da Crittografia Omomorfica al Bordo&lt;/h1>
&lt;h2 id="introduzione">Introduzione&lt;/h2>
&lt;p>I dispositivi edge—telecamere intelligenti, indossabili, sensori industriali—raccolgono flussi massivi di dati personali o proprietari. Le pipeline tradizionali spostano questi dati grezzi al cloud per pulizia, aumento o generazione di dati sintetici, esponendoli a intercettazioni, violazioni normative e penalità di latenza.&lt;/p>
&lt;p>&lt;strong>La Crittografia Omomorfica (HE)&lt;/strong> offre un’alternativa convincente: permette il calcolo direttamente su dati crittografati, preservando la riservatezza pur consentendo analisi sofisticate. Unire HE con generatori di dati sintetici sul dispositivo crea una &lt;strong>pipeline di dati sintetici rispettosa della privacy&lt;/strong> che non rivela mai il payload originale, nemmeno al motore di calcolo stesso.&lt;/p></description></item><item><title>Generazione di Dati Sintetici Preservanti la Privacy in Tempo Reale al Bordo Utilizzando la Crittografia Omomorfica e l'Apprendimento Federato</title><link>https://blog.formize.com/it/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/it/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generazione-di-dati-sintetici-preservanti-la-privacy-in-tempo-reale-al-bordo-utilizzando-la-crittografia-omomorfica-e-lapprendimento-federato">Generazione di Dati Sintetici Preservanti la Privacy in Tempo Reale al Bordo Utilizzando la Crittografia Omomorfica e l&amp;rsquo;Apprendimento Federato&lt;/h1>
&lt;h2 id="introduzione">Introduzione&lt;/h2>
&lt;p>L&amp;rsquo;Edge AI sta passando da carichi di lavoro di sola inferenza a pipeline &lt;strong>data‑centric&lt;/strong> che richiedono aggiornamenti continui del modello, addestramento sul dispositivo e generazione di dati sintetici. Sebbene i dati sintetici possano ridurre drasticamente la necessità di costose raccolte nel mondo reale, sollevano anche preoccupazioni &lt;strong>relative alla privacy&lt;/strong> quando i dati di origine provengono dai dispositivi degli utenti. Le tecniche tradizionali di anonimizzazione (mascheramento, privacy differenziale) o degradano l&amp;rsquo;utilità dei dati o richiedono un’autorità centrale fidata—entrambi indesiderabili per scenari edge sensibili alla latenza.&lt;/p></description></item><item><title>Generazione Sicura di Dati Sintetici Edge Federati con Crittografia Omoformica</title><link>https://blog.formize.com/it/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="generazione-sicura-di-dati-sintetici-edge-federati-con-crittografia-omoformica">Generazione Sicura di Dati Sintetici Edge Federati con Crittografia Omoformica&lt;/h1>
&lt;p>In un mondo in cui le normative sulla privacy dei dati si stanno inasprendo e i carichi di lavoro AI all&amp;rsquo;edge stanno esplodendo, le organizzazioni si trovano di fronte a un paradosso: hanno bisogno di dataset ricchi e diversificati per addestrare i modelli, ma non possono spostare i dati grezzi verso cloud centralizzati. &lt;strong>I dati sintetici&lt;/strong>—record generati artificialmente che preservano le proprietà statistiche della sorgente—offrono una soluzione convincente, ma generarli in modo sicuro sui dispositivi edge introduce nuove sfide.&lt;/p></description></item><item><title>Tessuto di Dati Sintetici Zero Trust per Edge AI</title><link>https://blog.formize.com/it/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="tessuto-di-dati-sintetici-zero-trust-per-edge-ai">Tessuto di Dati Sintetici Zero Trust per Edge AI&lt;/h1>
&lt;h2 id="1-perché-ledge-ai-ha-bisogno-di-un-zero-trusthttpswwwnistgovcyberframework-tessuto-di-dati-sintetici">1. Perché l&amp;rsquo;Edge AI ha bisogno di un &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> Tessuto di Dati Sintetici&lt;/h2>
&lt;p>I dispositivi edge — sensori industriali, droni autonomi, telecamere intelligenti e indossabili — sono sempre più responsabili della generazione, dell’elaborazione e dell’azione sui dati in tempo reale. A differenza dei cloud centralizzati, gli ambienti edge sono &lt;strong>distribuiti, eterogenei e spesso operano in reti ostili o poco controllate&lt;/strong>. I tradizionali modelli di sicurezza basati sul perimetro non riescono a proteggere i dati sensibili che attraversano questi nodi, specialmente quando i dati sintetici vengono usati per arricchire campioni di addestramento scarsi.&lt;/p></description></item></channel></rss>