<?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 Blog Formize.com</title><link>https://blog.formize.com/pt/tags/real-time/</link><description>Recent content in Real-Time on Blog Formize.com</description><generator>Hugo</generator><language>pt</language><atom:link href="https://blog.formize.com/pt/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Geração de Dados Sintéticos Preservando a Privacidade em Tempo Real na Borda Usando Criptografia Homomórfica e Aprendizado Federado</title><link>https://blog.formize.com/pt/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/pt/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="geração-de-dados-sintéticos-preservando-a-privacidade-em-tempo-real-na-borda-usando-criptografia-homomórfica-e-aprendizado-federado">Geração de Dados Sintéticos Preservando a Privacidade em Tempo Real na Borda Usando Criptografia Homomórfica e Aprendizado Federado&lt;/h1>
&lt;h2 id="introdução">Introdução&lt;/h2>
&lt;p>A IA na borda está passando de cargas de trabalho apenas de inferência para pipelines &lt;strong>centrados em dados&lt;/strong> que exigem atualizações contínuas de modelo, treinamento on‑device e geração de dados sintéticos. Embora os dados sintéticos possam reduzir drasticamente a necessidade de coleta cara no mundo real, eles também levantam preocupações de &lt;strong>privacidade&lt;/strong> quando os dados de origem provêm dos dispositivos dos usuários. Técnicas tradicionais de anonimização (mascaramento, privacidade diferencial) ou degradam a utilidade dos dados ou exigem uma autoridade central confiável — ambas indesejáveis para cenários de borda sensíveis à latência.&lt;/p></description></item></channel></rss>