Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.
Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:
- Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
- Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
- Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
- Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.
Format des Kurses
- Interaktive Vorlesungen und Diskussionen.
- Viele Übungen und Praxis.
- Händische Implementierung in einer Live-Lab-Umgebung.
Anpassungsoptionen des Kurses
- Um eine angepasste Ausbildung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Absprache.
Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.
Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:
- Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
- Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
- Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
- Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.
Privacy-Preserving Machine Learning ist ein Bereich, der darauf abzielt, sensible Daten zu schützen, während gleichzeitig erweiterte AI-Fähigkeiten in dezentralisierten oder eingeschränkten Umgebungen ermöglicht werden.
Dieser von einem Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.
Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:
- Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
- Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
- Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
- Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.
Einführung in Privacy-Preserving ML
- Motivationen und Risiken in Umgebungen mit sensiblen Daten
- Überblick über datenschutztechnische ML-Techniken
- Bewertungsmodelle und rechtliche Überlegungen (z.B., GDPR, HIPAA)
Federated Learning
- Konzept und Architektur des federated learning
- Client-Server-Synchronisation und Aggregation
- Implementierung mit PySyft und Flower
Differenzielle Privatsphäre
- Mathematik der differenzialen Privatsphäre
- Anwendung von DP in Datenabfragen und Modellausbildung
- Verwendung von Opacus und TensorFlow Privacy
Sichere Multiparty-Berechnung (SMPC)
- SMPC-Protokolle und Anwendungsfälle
- Verschlüsselungs-basierte vs. Secret-Sharing-Ansätze
- Sichere Berechnungsworkflows mit CrypTen oder PySyft
Homomorphe Verschlüsselung
- Fully vs partiell homomorphe Verschlüsselung
- Verschlüsselte Inferenz für sensible Workloads
- Händische Arbeit mit TenSEAL und Microsoft SEAL
Anwendungen und Branchen-Schwerpunkte
- Privatsphäre in der Gesundheitsversorgung: federated learning für medizinisches AI
- Sichere Zusammenarbeit im Finanzbereich: Risikomodelle und Einhaltung von Vorschriften
- Anwendungsfälle des Verteidigungs- und Regierungsbereichs
Zusammenfassung und nächste Schritte
- Eine Grundlage der Prinzipien des maschinellen Lernens
- Erlebnis mit Python und ML-Bibliotheken (z.B., PyTorch, TensorFlow)
- Bekanntschaft mit Datenschutz- oder Cybersecurity-Konzepten ist hilfreich
Publikum
- AI-Forscher
- Mitarbeiter in Teams für Datensicherheit und Privatsphärekonformität
- Sicherheitsingenieure in regulierten Branchen
Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.
Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:
- Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
- Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
- Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
- Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.
Privacy-Preserving Machine Learning
Read more...
