Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Időtartalma 14 órák
Kurzusleírás
Bevezetés az adatvédelmet megőrző mesterséges intelligenciába
- Az adatvédelem alapelvei a mobilalkalmazásokban
- Az eszközön futó mesterséges intelligencia szabályozási mozgatórugói
- A helyi feldolgozás előnyei és korlátai
A Nano Banana megértése az eszközön történő adatvédelem érdekében
- A Nano Banana modellarchitektúrája
- Biztonsági tulajdonságok és helyi végrehajtási útvonalak
- Támogatott platformok és mobilintegrációs minták
Adatkezelés és helyi feldolgozási technikák
- Érzékeny adatok biztonságos gyűjtése és tárolása az eszközön
- Az adatkitettség minimalizálása helyi következtetés segítségével
- Anonimizálási és álnevesítési stratégiák
Adatvédelmet megőrző mesterségesintelligencia-funkciók megvalósítása
- Mesterséges intelligencia által vezérelt funkciók létrehozása felhasználói adatok továbbítása nélkül
- Egészségügyi, pénzügyi vagy megfelelőségre kész munkafolyamatok tervezése
- Az adatok elkülönítésének biztosítása az alkalmazás összetevői között
Biztonsági megfontolások az eszközön futó modellek esetében
- A modellek védelme a kinyerés és a manipuláció ellen
- Biztonságos sandbox-környezet és jogosultságkezelés
- Fenyegetésmodellezés mobil mesterségesintelligencia-rendszerekhez
Megfelelőség és szabályozási összehangolás
- A GDPR, a HIPAA és a pénzügyi szektor vonatkozásainak megértése
- A beépített adatvédelem megközelítések dokumentálása
- Az auditálhatóság fenntartása a felhasználói adatok veszélyeztetése nélkül
Az adatvédelmi garanciák tesztelése és validálása
- Munkafolyamatok tesztelése a nem szándékos adatszivárgás ellen
- A pontosság és az adatvédelem közötti kompromisszumok értékelése
- Folyamatos validálás az alkalmazásfrissítések során
Az adatvédelmi fókuszú mesterségesintelligencia-alkalmazások telepítése és karbantartása
- Az eszközön futó modellfrissítések kezelése
- A teljesítmény és a megfelelőség időbeli nyomon követése
- Az alkalmazások jövőbiztossá tétele a változó szabályozásokhoz
Összefoglalás és következő lépések
Követelmények
- A mobil- vagy alkalmazásfejlesztés ismerete
- Tapasztalat Python, Kotlin vagy Swift nyelvekben
- Alapszintű ismeretek a mesterséges intelligencia vagy gépi tanulás fogalmairól
Célközönség
- Vállalati csapatok
- Megfelelőségi tisztviselők
- Érzékeny alkalmazásokat fejlesztő fejlesztők
Vélemények (1)
Folyam, hangulat és téma a bemutatón
Lukasz Kowalczyk - Allegro Sp. z o.o.
Kurzus - Google Gemini AI for Data Analysis
Gépi fordítás
