Data Privacy in der Praxis

• Wie sorge ich dafür, dass die Daten in meinem Projekt privat, anonymisiert und sicher sind?
• Auf den europäischen Markt zugeschnitten, behandelt auch die DSGVO eingehend
• Inkl. Themen wie ChatGPT und Deep Fakes
• Katharine Jarmul ist eine renommierte Privacy-Spezialistin, sie arbeitet für Thoughtworks und ist Mitgründerin der PyLadies

---

Bewährte Praktiken zur Verbesserung von Privacy für Daten aus technischer, organisatorischer und rechtlicher Sicht

Noch nie war der Druck, Datenschutz zu gewährleisten, so groß wie heute. Die Integration von Privacy in Datensysteme ist jedoch nach wie vor komplex. Dieser Leitfaden vermittelt Data Scientists und Data Engineers ein grundlegendes Verständnis von modernen Datenschutzbausteinen wie Differential Privacy, Föderalem Lernen und homomorpher Verschlüsselung. Er bietet fundierte Ratschläge und Best Practices für den Einsatz bahnbrechender Technologien zur Verbesserung des Datenschutzes in Produktivsystemen.

Privacy-Spezialistin Katharine Jarmul zeigt in diesem Buch, welche Auswirkungen die DSGVO und der California Consumer Privacy Act (CCPA) auf Ihre Data-Science-Projekte haben. Sie erklärt, wie Daten anonymisiert werden, welche Datenschutztechniken für Ihre Projekte geeignet sind und wie Sie sie integrieren.

Sie erfahren außerdem, wie Sie einen Plan für Ihr Datenprojekt erstellen, der Datenschutz und Sicherheit von Anfang an berücksichtigt. Katharine Jarmul verbindet dabei eine fundierte technische Perspektive mit leicht verständlichen Übersichten über die neuesten technologischen Ansätze und Architekturen.

Das Buch beantwortet diese wichtigen Fragen:

• Wie wirken sich Datenschutzbestimmungen wie die DSGVO oder der California Consumer Privacy Act (CCPA) auf meine Datenworkflows und Data-Science- Anwendungen aus?
• Was ist unter »anonymisierten Daten« zu verstehen und wie lassen sich Daten anonymisieren?
• Wie funktionieren Federated Learning und Federated Analysis?
• Homomorphe Verschlüsselung klingt großartig – doch ist sie auch anwendungsreif?
• Wie kann ich datenschutzwahrende Technologien und Verfahren miteinander vergleichen, um die für mich beste Wahl zu treffen? Welche Open-Source-Bibliotheken stehen hierfür zur Verfügung?
• Wie stelle ich sicher, dass meine Data-Science-Projekte von vornherein geschützt und sicher sind?
• Wie kann ich mit den für Governance und Informationssicherheit verantwortlichen Teams zusammenarbeiten, um interne Richtlinien in geeigneter Weise umzusetzen?