數據安全與隱私工程
關注創建者：匿名 創建時間：2026-01-05
數據安全與隱私工程的視頻教程
人工智能工程應用實例： 發動機排放數據學習及預測
人工智能工程應用實例： 發動機排放數據學習及預測 適用人群：主要是面向對人工智能與機器學習技術在工程中的實際應用感興趣的各行業相關工程人員。 人工智能工程應用實例： 發動機排放數據學習及預測（免費）【已結束】 直播時間：2020-08-18 19:30 人工智能和機器學習是當前最熱門和前沿的領域，作為工程人員我們更關心如何將人工智能的相應技術與工程實踐相結合。
￥99 51分鐘 220播放
查看
數據安全與隱私工程的實例教程
在上期數據隱私和匿名化系列文章中，我們主要分享了《中國個人信息保護法》（PIPL）和《歐盟通用數據保護條例》（GDPR）在涵蓋范圍、定義、敏感信息等方面的異同點，今天，我們將重點分析PIPL與GDPR在數據處理行為及其基礎合法性方面的異同，旨在幫助車企更準確地把握數據隱私保護法規的要求，有效應對相關挑戰，推動自動駕駛行業健康發展。
一、PIPL和GDPR的異同點
1、數據處理行為定義
兩部法規（PIPL和GDPR）均明確界定了不同的數據處理行為，這些行為將觸發各自法規的管理范疇。此處所提及的信息，已不再局限于敏感信息，而是涵蓋了兩部法規所規定的所有相關信息。
在英文版的PIPL中，數據處理行為被表述為“Handling”，而GDPR則使用“Processing”一詞，兩者在本質上并無區別。然而，在數據處理行為的定義上，兩部法規卻存在些許差異。
PIPL中的“Handling”涵蓋了收集、存儲、使用、加工、傳輸、披露以及刪除個人信息等一系列行為。相較于PIPL，GDPR關于數據處理行為的定義則更為詳盡，除了包含上述相同的行為外，還涉及到了個人數據的檢索、咨詢等多個方面。
但實際上，當我們深入探討PIPL中定義的數據處理行為時，相關法律專家指出：“在中國境內處理個人信息時，GDPR所涵蓋的任何數據行為都需要被納入考慮范圍，即使PIPL并未完全列舉出所有要點。”
由此可見，在各自司法管轄區域內處理相關數據時，任何數據處理行為都將受到該區域法律條例的約束。
2、數據處理基礎合法性
為了進一步對比數據處理行為的異同，我們在此列舉了中國的《個人信息保護法》（PIPL）與歐盟的《通用數據保護條例》（GDPR）在數據處理基礎合法性方面的相關規定。
展開 （原標題：App Traps: How Cheap Smartphones Help Themselves to User Data）
網易科技訊 7月8日消息，據華爾街日報報道，隱私保護和用戶數據共享之間的平衡問題在西方國家引發了一場爭論，而發展中國家則不大存在那樣的爭議。對于數百萬在隱私保護普遍不足的發展中國家購買廉價智能手機的人來說，隨時隨地上網的便利可能會帶來一項隱性成本：預裝的應用程序會在用戶不知情的情況下收集他們的個人數據。
在緬甸和柬埔寨賣出的數千部中國生產的Singtech P10智能手機上，就有一款這樣的應用，它會將機主的位置和獨特的設備細節發送給臺灣的移動廣告公司General Mobile(簡稱GMobi)。安全研究人員說，這款應用也出現于在巴西銷售的智能手機以及中國和印度的制造商生產的智能手機。
總部位于臺北的GMobi在上海設有子公司，它表示，它利用這些數據在設備上推送定向廣告。它有時也會與設備制造商分享數據，以幫助它們更好地了解它們的顧客。
該公司的首席執行官Paul Wu稱，智能手機制造商還會獲得額外的好處：通過允許GMobi在它們的設備上安裝它的應用，它們能夠向設備發送被稱為“固件”的軟件更新，而無需支付任何的費用。這是設備制造商在新興市場推廣低成本手機的一個重要考量。
GMobi的一位發言人說：“如果終端用戶想要免費的互聯網服務，他或她需要為更好的定向廣告付出一點代價。”
在保護隱私和共享用戶數據之間的權衡問題，在西方引發了不小的爭論。用戶數據對于很多在線服務的盈利模式至關重要。社交網絡巨頭Facebook因在保護用戶數據方面做得不夠而受到抨擊。新的法律賦予加州人禁止出售其個人數據的權利，而歐盟的通用數據保護條例（GDPR）則帶來了非常嚴格的數據隱私保護。
展開 隨著數據的積累、計算機算力的躍升和算法的優化，人工智能正在讓生活變得高效。語音識別、圖像識別使身份認證更可信賴，短短幾秒就能證明“你就是你”;智能診療和自動駕駛，更讓人們看到了戰勝疾病、減少事故的新機會;人工智能還可以輕松戰勝圍棋高手，寫出優美的詩句……其自主性和創造性正在模糊人和機器的分野。
但是，當隱私侵犯、數據泄露、算法偏見等事件層出不窮時，人們又不得不反思：人工智能的持續進步和廣泛應用帶來的好處是巨大的，為了讓它真正有益于社會，同樣不能忽視的還有對人工智能的價值引導、倫理調節以及風險規制。
“刷臉”應用更廣泛，對隱私權的威脅值得重視
“刷臉”進站、“刷臉”支付、“刷臉”簽到、“刷臉”執法……人臉識別技術正走進更為廣闊的應用場景，與指紋、虹膜等相比，人臉是一個具有弱隱私性的生物特征，因此，這一技術對于公民隱私保護造成的威脅性尤其值得重視。“人臉圖像或視頻廣義上講也是數據，如果沒有妥善保管和合理使用，就會容易侵犯用戶的隱私。”中國社會科學院哲學研究所研究員段偉文說。
通過數據采集和機器學習來對用戶的特征、偏好等“畫像”，互聯網服務商進而提供一些個性化的服務和推薦等，從正面看是有利于供需雙方的一種互動。但對于消費者來說，這種交換是不對等的。就頻頻發生的個人數據侵權的事件來看，個人數據權利與機構數據權力的對比已經失衡，在對數據的收集和使用方面，消費者是被動的，企業和機構是主動的。段偉文表示，“數據實際上成為被企業壟斷的資源，又是驅動經濟的要素。”如果商家只從自身利益出發，就難免會對個人數據過度使用或者不恰當披露。
“大數據時代，個人在互聯網上的任何行為都會變成數據被沉淀下來，而這些數據的匯集都可能最終導致個人隱私的泄露。”
展開 在數字化轉型浪潮下，隱私保護已成為全球性挑戰。隨著AI攝像頭、無人機等視覺采集設備的普及，海量圖像數據在提升生產效率的同時，也帶來了敏感信息泄露的風險。
然而傳統模糊化處理技術往往陷入兩難境地——過度處理會破壞數據價值，而處理不足又難以滿足日益嚴格的隱私法規要求。如何在保護個人隱私的同時釋放數據潛力，成為橫跨各行業的核心難題。
一、客戶需求
日本建筑業巨頭Taisei Corporation（大成建設）最初涉足圖像識別人工智能領域時，采用了一款安裝有模糊處理應用程序接口（API）的攝像頭來保護個人數據。
然而，這種方法因API本身的限制面臨諸多挑戰。比如，它會導致過度模糊，常常將整個人的上半身都模糊掉，這對訓練人工智能系統而言會產生負面影響。此外，這種方法無法捕捉到性別和年齡等關鍵屬性，因為這些信息在模糊處理過程中會丟失。
因此，Taisei需要的是一種既能有效保護個人隱私，又能保留圖像中關鍵信息（如性別、年齡等屬性），以滿足人工智能訓練需求的解決方案，即需要滿足三重目標：
1. 法律合規性：符合日本《個人信息保護法》及歐盟GDPR對個人信息的嚴格規定
2. 數據可用性：處理后的圖像保留性別、年齡等基本屬性
3. 技術擴展性：支持后續AI分析（如安全行為識別、自動化施工監測）的數據結構化需求
二、解決方案
對于Taisei在匿名化與可用性的需求，深度自然匿名化（DNAT）方案顯然是一個絕佳的選擇。該解決方案利用先進的深度學習技術， 可以有效地檢測鏡頭中的人臉和車牌。一旦人臉和車牌得到檢測，DNAT就會隨機生成一個真實的覆蓋層替代它們。
這種方法有效地隱藏了圖像中個人信息，同時保留了原始數據中的關鍵特征，平衡了隱私保護和數據效用，完美地解決了Taisei目前所遇到的困境。
展開 建立合理有效的制度，能夠將責任安排到個人，保證每個人都明晰自己的任務和責任，進而盡可能地完成任務，促進工程的有效實施和圓滿結束。另外，要加強管理者的能力培養，定期請專家對施工進度和施工質量進行檢查，使施工者養成責任意識，并在工作實踐中鍛煉自己，增強自己的實踐能力，提高自身的管理素質。
3結語
農村飲水安全是關系到我國廣大農民切身利益的大事，為人民提供安全可靠的水源是每個社會成員義不容辭的責任。文章著重分析了新形勢下農村飲水安全工程建設管理上存在的一些問題，并根據這些問題，提出了解決措施，旨在盡可能完善飲水安全工程建設，促進安全用水在農村的發展，盡快的讓農民喝上干凈水，用上放心水，提高農民的節水意識和飲水意識，讓農民的生命安全更有保障。
作者：祁進芝 單位：甘肅省景泰縣水務局
展開 
數據安全與隱私工程的相關專題、標簽、搜索
數據安全與隱私工程的最新內容
隨著智慧工地與無人化施工技術的推進，隧道施工裝備的數字化轉型已成為行業焦點。近期，在和眾多該類客戶的溝通過程中，我們觀察到了一些被頻繁提到的客戶需求和場景痛點，針對于此，以隧道運輸設備——MSV膠輪車為例，本文為該類客戶量身定制了一套高性能多模態數據采集方案。
本文將從客戶的實際痛點出發，詳細拆解如何在無GPS信號、環境惡劣的隧道場景中，實現高精度、多傳感器的數據融合與采集。
一、 客戶需求與場景痛點
<p>生活不易，貓貓賣藝。最近搗鼓一個數據集的公眾號，提供數據集出售、咨詢等，985算法團隊???</p><p>各位老板有需要可以關注下公眾號</p><div contenteditable="false" width="100%"><figure class="figure-link" data-title="編程貓的算法屋" data-link="https://i-blog.csdnimg.cn
在數字化轉型浪潮下，隱私保護已成為全球性挑戰。隨著AI攝像頭、無人機等視覺采集設備的普及，海量圖像數據在提升生產效率的同時，也帶來了敏感信息泄露的風險。
然而傳統模糊化處理技術往往陷入兩難境地——過度處理會破壞數據價值，而處理不足又難以滿足日益嚴格的隱私法規要求。如何在保護個人隱私的同時釋放數據潛力，成為橫跨各行業的核心難題。
一、客戶需求
日本建筑業巨頭Taisei Corporation
<p>最近布拉德·皮特主演的電影《F1：狂飆飛車》正在熱映。正如影片所展現的，現代賽車競技已演變為數據與技術的巔峰對決。在這片以毫秒定勝負的戰場上，Prodrive——這個曾助力阿斯頓·馬丁締造賽道傳奇的工程巨頭，正通過 Altair Panopticon實現數據智能的革命。</p><p><br></p><p>從實時解析每輛賽車每秒5000個數據點，到預測關鍵部件故障，再到優化進站策略，這場"數字圍場
1.AI 驅動研發升級：幾何深度學習創造行業新價值
人工智能正加速推動各行業研發能力升級。麥肯錫最新報告顯示，該技術在制藥、化工和航空航天等領域的應用，有望為相關企業創造高達5600億美元的經濟價值。 AI 技術應用的先行者，全球500強汽車零部件制造商麥格納（Magna）。通過與 Altair 合作，運用幾何深度學習（Geometric Deep Learning, GDL）技術，顯著提升了汽車工程創新效率
中國汽車市場以年均超 3000 萬輛的銷量規模（占全球 1/3以上），正推動安全標準從被動防護向主動預防轉型。2024 年 7 月實施的 C-NCAP （ China New Car Assessment Program）修訂版首次將駕駛員監控系統（DMS）、道路特征識別（RFR）納入評分體系，其中 DMS 占主動安全分值 40%（總分 2 分），檢測準確率需≥90%。
這一變革不僅響應工信部
<p>工程領域的人工智能 （AI） 已經開始發揮價值，低代碼和無代碼工具正在使曾經僅屬于專業數據科學家的 AI 能力變得大眾化。</p><p><br></p><p>然而，并非工程領域的每個人都能從中受益，使用新的便捷的 AI 工具提高工作效率并不難，<strong>工程師們在 AI 應用方面所面臨的挑戰實則體現在更多其他維度。</strong></p><p><br></p><p><img src="
<p>現今，人們正在對科技發展以及AI技術進行無限探索，在這個過程中，很多工程師可能會感受到“有心無力”，很大程度是因為他們<strong>尚未實現自己的第一個可落地執行的人工智能 （AI） 應用案例。</strong></p><p><br></p><p>這個結果讓人感到十分驚訝，因為目前在工程領域人們對 AI 的興趣或投資并不缺乏。研究表明，<strong>86% 的工程師將 AI 視為重要的新興技術
數字工程技術與并行工作流程結合，以減少成本高昂的原型設計，促進跨職能協作并加速產品上市進程
主要亮點
Ansys 支持 SimAI? 云計算的人工智能解決方案現在允許用戶擴展訓練數據，以在后處理過程中獲得更深入的洞察
Ansys System Architecture Modeler（SAM）? 中的新功能包括支持 SysML v2，這不僅可通過在團隊之間建立更緊密的聯系實現更優化的產品設計以及顯著的時間節省
<p>為確保AD/ADAS系統的安全性，各大車企通常需要<strong>收集、處理和分析</strong>來自于攝像頭、激光雷達等傳感器的數據，以找出提高系統安全性和性能的方法。然而在數據收集過程中，不可避免地會出現<strong>大量無價值數據</strong>，造成<strong>數據泛濫</strong>的情況，進而影響數據的分析處理進程。為此，本文將為大家分享如何通過<strong>合適的指標
