Verlag |
OReilly (dpunkt) |
Autor:in |
Katharine Jarmul |
Fassung |
411 Seiten, Softcover |
Erschienen |
06/2024 |
ISBN |
978-3-96009-233-9 |
Verlag: | OReilly (dpunkt) |
Autor:in | Katharine Jarmul |
Fassung: | 411 Seiten, Softcover |
Erschienen: | 06/2024 |
ISBN: | 978-3-96009-233-9 9783960092339 |
Inhaltsverzeichnis: | Jetzt downloaden |
Vorwort: | Jetzt downloaden |
Leseprobe: | Jetzt downloaden |
Verlag: | OReilly (dpunkt) |
Autor:in | Katharine Jarmul |
Fassung: | 411 Seiten, Softcover |
Erschienen: | 06/2024 |
ISBN: | 978-3-96009-233-9 9783960092339 |
Inhaltsverzeichnis: | Jetzt downloaden |
Vorwort: | Jetzt downloaden |
Leseprobe: | Jetzt downloaden |
Die Anforderungen an den Datenschutz sind in Daten- und KI-Projekten heute so hoch wie nie zuvor. Die Integration von Datenschutzmechanismen in Datensysteme ist jedoch weiterhin komplex. Dieser Leitfaden vermittelt Data Scientists und Data Engineers ein grundlegendes Verständnis moderner Datenschutzmethoden wie Differential Privacy, Federated Learning und homomorpher Verschlüsselung. Datenschutz-Spezialistin Katharine Jarmul zeigt Best Practices und gibt fundierte Ratschläge für den Einsatz fortschrittlicher Technologien zur Verbesserung des Datenschutzes in Produktivsystemen.
Datenschutzbestimmungen wie die Datenschutz-Grundverordnung (DSGVO) und der California Consumer Privacy Act (CCPA) haben erhebliche Auswirkungen auf Datenworkflows und Data-Science-Anwendungen. Es ist entscheidend zu verstehen, wie diese Vorschriften Ihre Projekte beeinflussen und welche Anpassungen notwendig sind, um konform zu bleiben.
Was bedeutet es, Daten zu anonymisieren, und welche Techniken stehen dafür zur Verfügung? Der Leitfaden erklärt die Grundlagen der Datenanonymisierung und gibt praktische Tipps, wie Daten effektiv anonymisiert werden können.
Federated Learning und Federated Analysis sind innovative Ansätze, die es ermöglichen, Modelle zu trainieren und Analysen durchzuführen, ohne dass Daten zentralisiert werden müssen. Erfahren Sie, wie diese Technologien funktionieren und welche Vorteile sie bieten.
Homomorphe Verschlüsselung ermöglicht es, Berechnungen an verschlüsselten Daten durchzuführen, ohne sie zu entschlüsseln. Der Leitfaden beleuchtet die aktuellen Möglichkeiten und Grenzen dieser Technologie und ob sie bereits für den praktischen Einsatz geeignet ist.
Wie können Sie verschiedene Datenschutztechnologien und -verfahren miteinander vergleichen, um die beste Lösung für Ihre Anforderungen zu finden? Der Leitfaden bietet Kriterien für den Vergleich und stellt Open-Source-Bibliotheken vor, die Ihnen dabei helfen können.
Von Anfang an sollten Data-Science-Projekte geschützt und sicher sein. Lernen Sie, welche Maßnahmen und Best Practices Sie implementieren können, um Ihre Projekte datenschutzkonform und sicher zu gestalten.
Eine effektive Zusammenarbeit mit den Teams, die für Governance und Informationssicherheit verantwortlich sind, ist essenziell, um interne Richtlinien erfolgreich umzusetzen. Der Leitfaden gibt Ratschläge, wie Sie diese Zusammenarbeit optimal gestalten können.
Dieser Leitfaden ist eine wertvolle Ressource für alle, die moderne Datenschutzmethoden in ihren Daten- und KI-Projekten verstehen und anwenden möchten.
"Endlich gibt es ein Buch, auf das ich die Leute verweisen kann, wenn sie das Thema Datenschutz ausblenden."
— Vincent Warmerdam, Initiator von Calm Code und ML Engineer bei Explosion
"Katharine kombiniert eine fundierte technische Perspektive mit leicht verständlichen Übersichten über die neuesten Technologieansätze und Architekturen."
— Emily F. Gorcenski, Principal Data Scientist, Thoughtworks
In dieser Leseprobe stellt Ihnen Katharine Jarmul das Prinzip der Data Governance sowie einige einfache Ansätze vor, um Datenschutzprobleme anzugehen. Dazu ist es erst einmal wichtig zu wissen, welche Daten als sensibel gelten und wie Sie sie in unstrukturierten Daten ausfindig machen. Eine erste grundlegende Maßnahme ist die Pseudonymisierung, also der Verwendung von Pseudonymen anstelle echter Namen und Daten.
Katharine Jarmul ist eine Datenschutzaktivistin und Data Scientist, deren Arbeit und Forschung sich auf Privacy und Sicherheit in Data-Science-Workflows konzentriert. Sie arbeitet als Principal Data Scientist bei Thoughtworks und war in zahlreichen Führungspositionen und als unabhängige Beraterin bei großen Unternehmen und Start-ups in den USA und Deutschland tätig, wo sie Daten- und Machine-Lerning-Systeme mit integrierter Privacy und Sicherheit entwickelt hat.
Verlag |
OReilly (dpunkt) |
Autor:in |
Katharine Jarmul |
Fassung |
411 Seiten, Softcover |
Erschienen |
06/2024 |
ISBN |
978-3-96009-233-9 |