Data Privacy in der Praxis

Data Privacy in der PraxisJarmul, Katharine Data Privacy in der Praxis ISBN: 9783960092339 Herstelleradresse Dpunkt Wieblinger Weg 17 69123 DE Heidelberg E Mail: wilbert@dpunkt. de Kartoniert, 414 S. Sprache: Deutsch 240 mm Gewicht: 772 g Neue Ware, gestempelt: Mngelexemplar, Zustand: gut Retourware: wegen minimaler Lagerspuren und Transportschden (wie leichte Kratzer) als Mngelexemplar gekennzeichnet. Text vom Verlag Datenschutz und Sicherheit in Daten und KI Projekten

Jarmul, Katharine
Data Privacy in der Praxis

ISBN: 9783960092339

Herstelleradresse

Dpunkt

Wieblinger Weg 17

69123 - DE Heidelberg

E-Mail: [email protected]

Kartoniert, 414 S.

Sprache: Deutsch

240 mm

Gewicht: 772 g

Neue Ware, gestempelt: Mängelexemplar, Zustand: gut

Retourware: wegen minimaler Lagerspuren und Transportschäden
(wie leichte Kratzer) als Mängelexemplar gekennzeichnet.

Text vom Verlag

Datenschutz und Sicherheit in Daten- und KI-Projekten
Übersetzung:Fraaß, Marcus
Kartoniert, dpunkt (2024)

Das Buch zeigt, wie Sie dafür sorgen, dass die Daten in Ihrem Projekt privat, anonymisiert und sicher sind Auf den europäischen Markt zugeschnitten, behandelt die DSGVO eingehend Umfasst auch Themen wie ChatGPT und Deep Fakes Katharine Jarmul ist eine renommierte Privacy-Spezialistin. Sie arbeitet für Thoughtworks und ist Mitgründerin der PyLadies
Die Anforderungen an den Datenschutz sind in Daten- und KI-Projekten heute so hoch wie nie. Die Integration von Privacy in Datensysteme ist jedoch nach wie vor komplex. Dieser Leitfaden vermittelt Data Scientists und Data Engineers ein grundlegendes Verständnis von modernen Datenschutzbausteinen wie Differential Privacy, Federated Learning und homomorpher Verschlüsselung. Privacy-Spezialistin Katharine Jarmul zeigt Best Practices und gibt praxiserprobte Ratschläge für den Einsatz bahnbrechender Technologien zur Verbesserung des Datenschutzes in Produktivsystemen.

Das Buch beantwortet diese wichtigen Fragen:
Wie wirken sich Datenschutzbestimmungen wie die DSGVO oder der California Consumer Privacy Act (CCPA) auf meine Datenworkflows und Data-Science-Anwendungen aus? Was ist unter »anonymisierten Daten« zu verstehen und wie lassen sich Daten anonymisieren? Wie funktionieren Federated Learning und Federated Analysis? Homomorphe Verschlüsselung klingt großartig - doch ist sie auch anwendungsreif? Wie kann ich datenschutzwahrende Technologien und Verfahren miteinander vergleichen, um die für mich beste Wahl zu treffen? Welche Open-Source-Bibliotheken stehen hierfür zur Verfügung? Wie stelle ich sicher, dass meine Data-Science-Projekte von vornherein geschützt und sicher sind? Wie kann ich mit den für Governance und Informationssicherheit verantwortlichen Teams zusammenarbeiten, um interne Richtlinien in geeigneter Weise umzusetzen?