Dwar Sarus
Sarus hija saff tal-privatezza għall-analiżi u l-AI li tinsab bejn sorsi tad-data u l-analisti, u tippermetti xogħol fuq data sensittiva mingħajr ma tippreżentahom. Tipprovdi garanziji dwar il-privatezza fuq kull domanda billi tuża privatezza differenzjali, data sintetika, u rewiring tal-mistoqsijiet li jipproteġġu l-privatezza, filwaqt li tappoġġja deployment on-premises jew fil-cloud pubbliku. Din l-approċċ tgħin lill-riċerka, lill-analiżi, u lill-użi tal-AI biex jinħareġ il-valur tad-data b'mod sigur u konform.
X'toffri Sarus
- Konnetturi: jikkonnettjaw direttament ma’ databases, data warehouses/lakehouses u cloud storage mingħajr ma jċaqalqu d-data.
- Politiki tal-privatezza: jiddefinixxu l-outputs (data sintetika, aggregazzjonijiet u outputs bi privatezza differenzjali) u jawditjaw l-ipproċessar kollu.
- Audit logging: awditjar sħiħ tal-mistoqsijiet biex tkun żgurata l-konformità.
- Data sintetika: data sintetika ta’ kwalità għolja, imħarrġa bl-użu tal-privatezza differenzjali (DP), li tippreserva d-distribuzzjonijiet.
- Analitika u BI: appoġġ għal SQL API u BI connectors għal għodod komuni (PowerBI, Tableau, Metabase).
- Machine learning: Python SDK biex tipproċessa data mill-bogħod u tinforza l-privatezza (DP) meta jkun meħtieġ.
- Azzjonijiet fuq id-data: ibgħat l-outputs tal-mistoqsijiet lil endpoints esterni mingħajr ma tikxef informazzjoni personali.
- Privatezza differenzjali li tipproteġi l-privatezza, kitba mill-ġdid tal-mistoqsijiet b’enfasi fuq il-privatezza, u kontroll fil-livell tal-output biex tiġi żgurata l-privatezza tul pipelines kumplessi.
X'jagħmel lil Sarus differenti
- Garanziji b’saħħithom tal-privatezza: privatezza differenzjali, data sintetika u kitba mill-ġdid tal-mistoqsijiet waqt l-eżekuzzjoni, bl-infurzar tal-politiki.
- Id-data tibqa’ taħt il-kontroll tas-sidien tagħha: l-analisti jaħdmu fuq data remota mingħajr aċċess dirett għad-data mhux ipproċessata.
- Adattat għall-konformità: audit logging dettaljat u workflows tal-privatezza u l-konformità aktar sempliċi.
- Valur tad-data bejn sistemi separati: nisfruttaw l-għarfien mid-data f’sistemi differenti mingħajr ma tikkomprometti l-privatezza.
- Jappoġġja workflows tal-AI/ML u l-użu tal-LLMs b’garanziji tal-privatezza.
- Deployment flessibbli: fuq il-post jew fil-cloud pubbliku tiegħek (Docker jew Kubernetes), b’firxa wiesgħa ta’ konnetturi għas-sorsi tad-data.