Bewährte Praktiken zur Verbesserung von Privacy für Daten aus technischer organisatorischer
und rechtlicher Sicht 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?
