<?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/sk/categories/privacy/</link><description>Recent content in Privacy on Blog Formize.com</description><generator>Hugo</generator><language>sk</language><atom:link href="https://blog.formize.com/sk/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Diferenciálne súkromné kompresovanie syntetických dát pre prenos na okraji s nízkou šírkou pásma</title><link>https://blog.formize.com/sk/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="diferenciálne-súkromné-kompresovanie-syntetických-dát-pre-prenos-na-okraji-s-nízkou-šírkou-pásma">Diferenciálne súkromné kompresovanie syntetických dát pre prenos na okraji s nízkou šírkou pásma&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Okrajové zariadenia — inteligentné kamery, nositeľné zariadenia, priemyselné senzory — čoraz viac generujú masívne prúdy dát, ktoré je potrebné zdieľať s centrálnymi analytickými platformami. Prenos surových dát je často neuskutočniteľný kvôli obmedzenej šírke pásma, energetickým limitom a prísnym predpisom o ochrane súkromia, ako je &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> a &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Generovanie syntetických dát sa ukázalo ako silná technika na zdieľanie užitočných informácií pri zachovaní surových osobných dát. Avšak syntetické dátové sady môžu byť veľké, najmä keď zachovávajú vysokodimenzionálne štruktúry potrebné pre následné AI modely.&lt;/p></description></item><item><title>Differenciálne súkromné syntetické dáta pre edge zdravotnícke IoT</title><link>https://blog.formize.com/sk/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="differenciálne-súkromné-syntetické-dáta-pre-edge-zdravotnícke-iot">Differenciálne súkromné syntetické dáta pre edge zdravotnícke IoT&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge‑povolené medicínske zariadenia — nositeľné monitory srdcovej frekvencie, glukózové senzory, prenosné ultrazvukové sondy — generujú obrovské prúdy osobne identifikovateľných zdravotných informácií. Presun analytiky na edge znižuje latenciu a náklady na šírku pásma, ale zároveň vyvoláva kritickú otázku: &lt;strong>Ako môžeme z týchto dát vyťažiť hodnotu bez ohrozenia súkromia pacientov?&lt;/strong>&lt;/p>
&lt;p>Generovanie syntetických dát ponúka sľubnú odpoveď. Tréningom generatívneho modelu na reálnych meraniach a následným uvoľňovaním iba výstupov modelu môžu organizácie zdieľať dáta pre výskum, tréning AI modelov alebo medziinštitucionálnu spoluprácu, aniž by kedy prenášali surové záznamy pacientov. Avšak naívne pipeline pre syntetické dáta môžu stále uniknúť citlivé informácie prostredníctvom útokov typu modelovej inverzie alebo inferencie príslušnosti.&lt;/p></description></item><item><title>Dynamické generovanie syntetických dát na okraji kombinujúce federované učenie, zero trust a riadenie súkromia v reálnom čase</title><link>https://blog.formize.com/sk/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/edge-synthetic-data-generation/</guid><description>&lt;h1 id="dynamické-generovanie-syntetických-dát-na-okraji-kombinujúce-federované-učenie-zero-trust-a-riadenie-súkromia-v-reálnom-čase">Dynamické generovanie syntetických dát na okraji kombinujúce federované učenie, zero trust a riadenie súkromia v reálnom čase&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Syntetické dáta sa stali základným kameňom pre tréning modelov strojového učenia v situáciách, keď sú reálne dáta nedostupné, citlivé alebo ich získanie stojí príliš veľa. Tradičné pipeline syntetických dát bežia v centralizovaných dátových centrách, kde zhromažďujú surové dáta z viacerých zdrojov, aplikujú transformácie na ochranu súkromia a následne distribuujú vygenerované dáta koncovým spotrebiteľom. Hoci je tento model účinný, prináša latenciu, nadmernú šírku pásma a jediný bod zlyhania z hľadiska súladnosti s požiadavkami na súkromie.&lt;/p></description></item><item><title>Generovanie syntetických dát na okraji siete pomocou homomorfného šifrovania</title><link>https://blog.formize.com/sk/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="generovanie-syntetických-dát-na-okraji-siete-pomocou-homomorfného-šifrovania">Generovanie syntetických dát na okraji siete pomocou homomorfného šifrovania&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Okrajové zariadenia – inteligentné kamery, nositeľné zariadenia, priemyselné senzory – zhromažďujú obrovské množstvá osobných alebo proprietárnych dát. Tradičné dátové reťazce presúvajú tieto surové dáta do cloudu na čistenie, augmentáciu alebo generovanie syntetických dát, čím ich vystavujú odpočúvaniu, porušeniam regulačných požiadaviek a penalizáciám za latenciu.&lt;/p>
&lt;p>&lt;strong>Homomorfné šifrovanie (HE)&lt;/strong> ponúka presvedčivú alternatívu: umožňuje výpočty priamo na šifrovaných dátach, zachovávajúc dôvernosť a zároveň umožňujúc pokročilú analytiku. Spojenie HE s generátormi syntetických dát na zariadení vytvára &lt;strong>pipeline pre syntetické dáta zachovávajúcu súkromie&lt;/strong>, ktorá nikdy neodhalí pôvodný obsah, ani samotnému výpočtovému enginu.&lt;/p></description></item><item><title>Generovanie syntetických dát s diferenciálnou ochranou riadené posilňovacím učením pre Edge AI</title><link>https://blog.formize.com/sk/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="generovanie-syntetických-dát-s-diferenciálnou-ochranou-riadené-posilňovacím-učením-pre-edge-ai">Generovanie syntetických dát s diferenciálnou ochranou riadené posilňovacím učením pre Edge AI&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge AI mení odvetvia od autonómnych vozidiel po diaľkové monitorovanie zdravia. Presunom inferencie a tréningu bližšie k zdroju dát klesá latencia, zmenšuje sa spotreba šírky pásma a zlepšuje sa suverenita dát. Napriek tomu edge zariadenia často fungujú pod prísnymi predpismi o ochrane súkromia (&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>) a s obmedzenými výpočtovými zdrojmi. Syntetické dáta – umelo generované záznamy, ktoré zachovávajú štatistické vlastnosti reálnych dát – ponúkajú presvedčivý spôsob, ako zdieľať poznatky bez odhalenia surových informácií.&lt;/p></description></item><item><title>Generovanie syntetických dát v reálnom čase s ochranou súkromia na okraji pomocou homomorfného šifrovania a federovaného učenia</title><link>https://blog.formize.com/sk/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/sk/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generovanie-syntetických-dát-v-reálnom-čase-s-ochranou-súkromia-na-okraji-pomocou-homomorfného-šifrovania-a-federovaného-učenia">Generovanie syntetických dát v reálnom čase s ochranou súkromia na okraji pomocou homomorfného šifrovania a federovaného učenia&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge AI prechádza od úloh výlučne na inferenciu k &lt;strong>dátovo‑centrickým&lt;/strong> pipeline‑om, ktoré vyžadujú neustále aktualizácie modelov, tréning na zariadení a generovanie syntetických dát. Zatiaľ čo syntetické dáta môžu výrazne znížiť potrebu nákladného zberu reálnych dát, zároveň vyvolávajú &lt;strong>obavy o súkromie&lt;/strong>, keďže zdrojové dáta pochádzajú z používateľských zariadení. Tradičné techniky anonymizácie (maskovanie, diferenciálna ochrana súkromia) buď znižujú užitočnosť dát, alebo vyžadujú dôveryhodnú centrálnu autoritu — čo je v latenciu‑citlivých okrajových scenároch nežiaduce.&lt;/p></description></item></channel></rss>