Ich kam, ich sah nichts, ich lernte: Hands-On Privacy Enhancing Technologies

Zugang zu hochwertigen, interessanten Daten ist oft (berechtigterweise) begrenzt. Privacy Enhancing Technologies (PETs) können das ändern.

In diesem Vortrag coden wir uns durch drei zentrale Ansätze:

* Differential Privacy (gezieltes Rauschen zum Schutz von Ausgaben),
* Federated Learning (lokale Datenverarbeitung mit global aggregierten Ergebnissen) und
* Encrypted Computation (Berechnungen auf verschlüsselten Daten zum Schutz der Eingaben).

Teilnehmende nehmen lauffähigen Code, ein Entscheidungs-Framework und ein klares Verständnis dieser Technologien mit.

Vorkenntnisse

Grundlegende Python-Kenntnisse sowie Basiswissen im Machine Learning sind hilfreich, um einzelne Code-Beispiele und ML-bezogene Inhalte leichter nachzuvollziehen, aber nicht erforderlich. Alle Konzepte werden so eingeführt, dass auch Teilnehmende ohne diese Vorkenntnisse dem Vortrag folgen können.

Lernziele

- Warum klassische Anonymisierung und Verschlüsselung nicht immer ausreicht.
- Welche PET’s man kennen sollte.
- Verfügbare Open-Source-Libraries und Tools (z.B. PyDP, Flower, PyFHEL).
- Entscheidungs-Framework: welche PET für welchen Use Case