Apie Sarus
Sarus yra analitikams ir dirbtinio intelekto (AI) privatumo sluoksnis, kuris stovi tarp duomenų šaltinių ir analitikų, leidžiantis dirbti su jautriais duomenimis be jų atskleidimo. Jis užtikrina privatumo garantijas kiekvienai užklausai naudodamas diferencialinį privatumą, sintisinius duomenis ir privatumo apsaugos užklausų perrašymą, tuo pačiu palaikydamas vietinį diegimą arba viešuosius debesų diegimus. Ši strategija padeda tyrimams, analitikams ir AI naudoti duomenų vertę saugiai ir laikantis visų reikalavimų.
Ką siūlo Sarus
- Jungtys: tiesiogiai jungiasi prie duomenų bazių, duomenų saugyklų ir lakehouse tipo saugyklų bei debesijos saugyklų, neperkeliant duomenų.
- Privatumo politikos: apibrėžia rezultatus (sintetinius duomenis, agreguotus duomenis, diferencialinį privatumą užtikrinančius rezultatus) ir leidžia audituoti visą duomenų apdorojimą.
- Audito žurnalai: išsamus užklausų auditas, padedantis laikytis reikalavimų.
- Sintetiniai duomenys: aukštos kokybės sintetiniai duomenys, apmokyti taikant diferencialinį privatumą (DP) ir išsaugantys duomenų pasiskirstymus.
- Analitika ir verslo analitika (BI): SQL API ir BI jungtys, skirtos įprastiems įrankiams („Power BI“, „Tableau“, „Metabase“).
- Mašininis mokymasis: Python SDK, skirtas nuotoliniu būdu apdoroti duomenis ir prireikus užtikrinti privatumą taikant diferencialinį privatumą (DP).
- Veiksmai su duomenimis: siųsk užklausų rezultatus į išorinius galinius taškus neatskleisdamas asmens duomenų.
- Privatumą išsaugantis diferencialinis privatumas (DP), privatumu grįstas užklausų perrašymas ir rezultatų lygmens kontrolė padeda užtikrinti privatumą sudėtinguose duomenų apdorojimo procesuose.
Kuo Sarus išsiskiria
- Patikimos privatumo garantijos: diferencialinis privatumas, sintetiniai duomenys ir užklausų perrašymas pagal politiką realiuoju laiku.
- Duomenys lieka jų savininkų kontrolėje: analitikai dirba su nuotoliniais duomenimis ir neturi tiesioginės prieigos prie pradinių duomenų.
- Lengviau laikytis reikalavimų: išsamūs audito žurnalai ir paprastesni privatumo bei atitikties užtikrinimo procesai.
- Duomenų vertė skirtingose sistemose: gauk įžvalgų iš skirtingų sistemų nepažeisdamas privatumo.
- Palaikomi AI ir mašininio mokymosi procesai bei didžiųjų kalbos modelių (LLM) naudojimas, kartu užtikrinant privatumą.
- Lankstus diegimas: vietinėje infrastruktūroje arba viešajame debesyje („Docker“ ar „Kubernetes“), su plačiu jungčių su duomenų šaltiniais pasirinkimu.