• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
AI, Data Science, machine-learning

PySyft by OpenMined | Privacy Preserving

PySyft by OpenMined | Privacy Preserving

PySyft è una libreria per sviluppare sistemi di machine learning criptati (encrypted) che preservino la privacy (privacy preserving).

È stato sviluppato da un gruppo di visionari guidati da Andrew Trask PhD, che è stato in grado di dare vita a una community di data scientist e machine learning engineer che oggi conta 7k persone: OpenMined.

Il sito ufficiale di OpenMined è una meraviglia da gustare: dagli un’occhiata.

Torniamo a noi. Cos’è PySyft?

Per rispondere a questa domanda devi prima sapere che questo mese abbiamo dato il via a un nuovo percorso di studi che intende soffermarsi sull’etica attorno ai modelli di machine learning.

Abbiamo dapprima discusso circa il concetto di Trusting AI Fairness, soffermandoci poi su come i sistemi di deep learning possano essere verificati.

Il prossimo step è capire come si possa conciliare privacy e AI.

Per farlo, iniziamo subito dalla pratica presentando un tool chiamato PySyft che nei prossimi giorni impareremo a utilizzare!

PySyft

PySyft nasce come soluzione a insidiosi questioni riguardanti privacy e sicurezza connessa ai dati trattati dai sistemi di machine learning.

Più nel dettaglio: come possiamo sapere che nel creare un modello di machine learning i dati siano gestiti secondo le vigenti norme in vigore, senza mettere a rischio la privacy degli utenti a cui le informazioni appartengono.

PySyft permette di gestire efficacemente la decentralizzazione e la privatizzazione nell’ecosistema di un progetto di Deep Learning.

Cosa ancora più meravigliosa: la community di OpenMined è open-source-oriented, con parecchie risorse ufficiali da cui iniziare a muovere i primi passi.

È quello che faremo in questo post!

PySyft for Privacy Related Topics | Why they matters

Prima d’iniziare, ecco tre motivi gratuiti per cui è fondamentale concentrarci oggi su questi temi!

Competitive Career Advantage

Negli ultimi 20 anni, lo sviluppo tecnologico ha prodotto una mole di dati impressionante, riducendo progressivamente il tempo di raddoppio: quello necessario a produrre una quantità di dati pari a quella creata dall’inizio della storia umana al momento della misurazione.

Le nuove regolazioni sui dati, come il GDPR, hanno introdotto attenzioni rigorose al passaggio e la manipolazione delle informazioni utente: le aziende sono sotto pressione.

Tutti devono stare attenti a come usino e analizzino i dati utente.

Questo impone severe limitazioni a molti data scientist che si trovano a dover lavorare su piccoli dataset contenenti poche informazioni utili di alto valore.

È fondamentale imparare gli strumenti per preservare la privacy nei sistemi di deep learning: in futuro ne avremo sempre maggiore bisogno.

New Entrepreneurial Opportunities

Esistono moltissimi problemi sociali che potrebbero essere risolti o attenuati sfruttando tecnologie di deep learning.

Il problema è l’assenza di dati.

Questi sistemi avrebbero bisogno di accedere a molte informazioni sensibili e private su persone con problemi di salute, la cui privacy andrebbe preservata ad ogni costo.

Imparare a sfruttare questi sistemi significa dunque aprire le porte a nuovi orizzonti di possibilità: opportunità per startup, che non erano prima fattibili e attuabili senza questi sistemi.

Social Good

Deep learning può essere usato per risolvere una grande varietà di problemi nel mondo reale.

Ora, creare sistemi di Deep Learning basandosi sulle informazioni personali, significa creare Deep Learning per le persone.

La più grande challenge è sicuramente imparare a strutturare sistemi su dati che non si possiede: questo ci dà però l’opportunità di risolvere alcuni dei più personali ma importanti problemi nella vita delle persone, in modo scalabile.

Nel prossimo post inizieremo subito con un caso pratico, muovendo i primi passi con PySyft e PyTorch!

Qui il link alla repository ufficiale!

Un caldo abbraccio, Andrea.

Written by Andrea Provino - Gennaio 29, 2020
Tags | ai fairness, data science, deep learning, machine learning, privacy

You Might Also Like

private-set-intersection-data-science-machne-learning-deep-learning-homorphic-encryption-italia

Private Set Intersection: cos’è? | Differential Privacy

Maggio 3, 2020

Deep Photo Style Transfer | Computer Vision | Log 8

Dicembre 18, 2018

Zeppelin Notebook Data Analytics e Big Data | Start Guide Italia

Settembre 13, 2019

6 Comments

  • Cos'è la Differential Privacy - Machine Learning & Data Science Blog Febbraio 10, 2020 at 19:39

    […] infatti una libreria utile proprio a questo proposito, PySyft by OpenMined | Privacy Preserving. Per comprenderla appieno dobbiamo avere chiari in testa alcuni termini; il primo è differential […]

    Reply
  • Federated Learning - Machine Learning & Data Science Blog Febbraio 10, 2020 at 20:33

    […] la nostra rete neurale fosse realizzata con PyTorch, faremmo allora ricorso a PyGrid e PySyft di OpenMined per implementare soluzioni di federated […]

    Reply
  • Homomorphic Encryption and Additive Secret Sharing | Python Code Febbraio 11, 2020 at 20:55

    […] PySyft ci consente di padroneggiare queste tecniche e sviluppare modelli che tengano conto di homomorphic encryption e additive secret sharing […]

    Reply
  • Applied Federated Learning & Predictive Maintenance | Code Example Febbraio 24, 2020 at 21:10

    […] il filone della Privacy Preserving AI e dopo l’articolo dedicato al Federated Learning, osserviamo oggi un caso pratico di […]

    Reply
  • Tensorflow JS: Web Machine Learning and beyond Marzo 19, 2020 at 21:12

    […] vanta bassa latenza e una UI fluida con picchi di 25fps, garantendo al contempo la privacy, come sappiamo fondamentale, e il supporto a più piattaforme: web e WeChat (per il mercato […]

    Reply
  • Privacy Preserving Tracing App: cosa significa davvero? Aprile 24, 2020 at 20:25

    […] Mined, una community di oltre 7,300 brillanti menti, sta sviluppando librerie Open Source che gestiscano Private Set […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino