感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
隱私保護型 AI 簡介
- 行動應用程式中資料隱私的核心原則
- 推動端側 AI 的法規因素
- 本地處理的優勢與限制
了解 Nano Banana 在端側隱私中的應用
- Nano Banana 模型架構
- 安全性特性與本地執行路徑
- 支援的平台與行動整合模式
資料處理與本地處理技術
- 在裝置端安全地收集與儲存敏感資料
- 使用本地推理以最小化資料暴露
- 匿名化與假名化策略
實施隱私保護型 AI 功能
- 在不傳輸使用者資料的情況下創建 AI 驅動功能
- 設計符合醫療、金融或合規要求的工作流程
- 確保應用程式元件間的資料隔離
端側模型的安全考量
- 保護模型免受提取或篡改
- 安全沙箱與權限管理
- 行動 AI 系統的威脅建模
合規與法規對齊
- 理解 GDPR、HIPAA 及金融業的影響
- 記錄「隱私優先設計」(privacy-by-design)方法
- 在不妨礙使用者資料的前提下維持可稽核性
測試與驗證隱私保證
- 測試工作流程以偵測非預期的資料洩漏
- 評估準確性與隱私之間的取捨
- 跨應用程式更新的持續驗證
部署與維護以隱私為重點的 AI 應用程式
- 管理端側模型的更新
- 長期監控效能與合規性
- 為不斷演進的法規做好應用程式的未來準備
總結與後續步驟
最低要求
- 了解行動或應用程式開發
- 具備 Python、Kotlin 或 Swift 的經驗
- 對 AI 或機器學習概念有基礎認知
適合對象
- 企業團隊
- 合規主管
- 開發涉及敏感應用程式的開發者
14 小時
客戶評論 (1)
演講中的流程、氛圍與主題
Lukasz Kowalczyk - Allegro Sp. z o.o.
課程 - Google Gemini AI for Data Analysis
機器翻譯