Mediakits Comerciales
Directorios
Enlaces a medios del Mundo
¿Todavía no tiene su suscripción?
Suscríbase a la guía de medios de comunicación más completa.
SuscribirNoticias
Empresarias
Quilmes Rock presenta Prode Rock, la iniciativa que invita al público a construir el line up
Buscar Noticias
¿Todavía no tiene su suscripción?
Suscríbase a la guía de medios de comunicación más completa.
SuscribirMultimedia
¿Todavía no tiene su suscripción?
Suscríbase a la guía de medios de comunicación más completa.
SuscribirRRHH
Empleos destacados
- Fefer Media SRLEjecutivo de cuentas
- Fefer Media SRLPlanner de medios
- Ideas en FocoEjecutivo/a de Desarrollo Comercial y Nuevos Negocios
- INDIEEjecutivo/a de Cuentas
¿Todavía no tiene su suscripción?
Suscríbase a la guía de medios de comunicación más completa.
SuscribirTarifas de publicidad
01.02.2021 por TOTALMEDIOS
Novedades de Google sobre la privacidad diferencial de datos
Google se asoció con OpenMined, un grupo de desarrolladores de código abierto que se enfoca en abordar tecnologías que preservan la privacidad y expandir su uso en todo el mundo. Juntos crearán un sistema de procesamiento de datos orientado a los desarrolladores de Python.
Por: Miguel Guevara, Gerente de producto, Oficina de Privacidad y Protección de Datos, Google
En Google, siempre hemos creído en el poder del código abierto para fomentar la innovación. La tecnología abierta y disponible de forma gratuita habilita la colaboración y respalda soluciones para problemas del mundo real. Los proyectos de código abierto mejoran la experiencia general de Internet para todos. La privacidad también ha sido fundamental para este trabajo y continuaremos invirtiendo en estas tecnologías de privacidad para ayudar a mantener tu información personal privada y segura.
La privacidad diferencial, la tecnología de anonimización de clase mundial, se utiliza en nuestros productos todos los días, como Google Maps. En 2019, liberamos el código de nuestra biblioteca de privacidad diferencial y la hicimos de libre acceso, fácil de implementar y útil para los desarrolladores de todo el mundo. Y mientras el mundo combate el COVID-19, el año pasado publicamos nuestros Informes de movilidad comunitaria COVID-19, que utilizan la privacidad diferencial para ayudar a los funcionarios de salud pública, economistas y legisladores a nivel mundial a medida que toman decisiones críticas para sus comunidades.
Tratar la información de manera responsable es manejar tus datos con cuidado.
A medida que continuamos invirtiendo en el campo de la privacidad algorítmica, hoy anunciamos una nueva asociación de código abierto centrada en tecnologías que preservan la privacidad, un nuevo producto de código abierto, una nueva forma en que aplicamos la privacidad diferencial en Google Play y actualizaciones a nuestra oferta de aprendizaje automático.
Fortaleciendo nuestros productos principales con privacidad diferencial
Lanzamos por primera vez la privacidad diferencial en Chrome hace casi siete años, desde entonces, Google ha agregado privacidad diferencial a muchos de sus productos. El año pasado, publicamos los informes de movilidad comunitaria COVID-19 y el conjunto de datos de tendencias de gripe, ambos fueron posibles gracias a la tecnología que desarrollamos internamente que brinda fuertes protecciones de privacidad, como la privacidad diferencial.
Este año, nos complace anunciar que Google Play comenzará a compartir nuevas métricas con los desarrolladores utilizando la privacidad diferencial que proporcionará nuevos conocimientos sobre cómo se utiliza su aplicación, sin permitir que los datos de ninguna persona se distingan o se reconozcan. Miles de millones de usuarios se benefician de Play Store todos los días y, al agregar privacidad diferencial a nuestra oferta, brindamos un alto nivel de privacidad a las personas que usan Google Play, al tiempo que garantizamos que los desarrolladores puedan tener acceso a datos significativos que les permitan mejorar sus aplicaciones.
Si bien la versión inicial de estas métricas fue posible utilizando parámetros similares a los que hemos usado anteriormente, planeamos expandir la cantidad de métricas que proporcionamos a los desarrolladores. Estas expansiones pueden requerir parámetros más flexibles para adaptarse a la mayor cantidad de métricas.
Nueva asociación con OpenMined centrada en tecnologías de preservación de la privacidad
Nuestro trabajo en privacidad diferencial está impulsado por nuestro objetivo principal de fortalecer el ecosistema de código abierto de una manera que proporcione privacidad de clase mundial para todos de manera global. Es por eso que nos hemos asociado con OpenMined, un grupo de desarrolladores de código abierto que se enfoca en abordar tecnologías que preservan la privacidad y expandir su uso en todo el mundo. Junto con OpenMined, crearemos un sistema de procesamiento de datos orientado a los desarrolladores de Python. Esta asociación tiene como objetivo replicar la infraestructura diferencialmente privada que tiene Google y reducir las barreras de entrada para los desarrolladores de Python. Esta asociación proporcionará a los desarrolladores de Python una forma nueva y única de tratar sus datos con privacidad de clase mundial.
Además, estamos lanzando una especificación de consulta que se usa internamente. Esta especificación guía miles de búsquedas que se realizan todos los días en Google de forma diferencialmente privada. Este es un paso adelante en la democratización del análisis de datos de manera privada. Esperamos que esta versión permita a los científicos de datos de todo el mundo realizar análisis de manera privada.
Mejorando el estado del aprendizaje automático
Hace dos años, presentamos TensorFlow Privacy (GitHub), una biblioteca de código abierto que facilita a los desarrolladores no sólo el entrenamiento de modelos de aprendizaje automático con privacidad, sino también a los investigadores para avanzar en el estado del arte en aprendizaje automático con garantías de privacidad sólidas. Gracias a una colaboración con investigadores de la Universidad de Waterloo, hemos mejorado la privacidad de TensorFlow.
En algunos casos, el entrenamiento con privacidad puede ser costoso o inviable. Hemos tratado de abordar esto respondiendo a la pregunta: ¿qué tan privado es un modelo de aprendizaje automático? El año pasado liberamos el código de nuestra biblioteca de ataques. Esta biblioteca realiza ataques a los modelos de aprendizaje automático para responder a esa pregunta. Desde entonces, nos hemos asociado con investigadores de la Universidad de Princeton y la Universidad Nacional de Singapur. Estos investigadores han agregado nuevas funcionalidades que amplían el alcance de la biblioteca a modelos generativos de texto y modelos de redes no neuronales. Esto significa que cualquiera que use la biblioteca podrá obtener una visión más completa sobre la privacidad de sus modelos. Recientemente, investigadores de la Facultad de Medicina de Stanford lo probaron en algunos de sus modelos para probar la memorización. Esta prueba les ayudó a comprender el comportamiento de privacidad de sus modelos, algo que no era posible antes.
Nuestro trabajo continúa a medida que invertimos en privacidad de clase mundial que brinda protecciones algorítmicas a las personas que usan nuestros productos al mismo tiempo que fomentamos y expandimos un ecosistema de código abierto saludable. Creemos firmemente que todos en el mundo merecen privacidad de clase mundial y seguiremos asociándonos con más organizaciones para cumplir con esa misión.
En esta nota:
En Google, siempre hemos creído en el poder del código abierto para fomentar la innovación. La tecnología abierta y disponible de forma gratuita habilita la colaboración y respalda soluciones para problemas del mundo real. Los proyectos de código abierto mejoran la experiencia general de Internet para todos. La privacidad también ha sido fundamental para este trabajo y continuaremos invirtiendo en estas tecnologías de privacidad para ayudar a mantener tu información personal privada y segura.
Tratar la información de manera responsable es manejar tus datos con cuidado.
A medida que continuamos invirtiendo en el campo de la privacidad algorítmica, hoy anunciamos una nueva asociación de código abierto centrada en tecnologías que preservan la privacidad, un nuevo producto de código abierto, una nueva forma en que aplicamos la privacidad diferencial en Google Play y actualizaciones a nuestra oferta de aprendizaje automático.
Fortaleciendo nuestros productos principales con privacidad diferencial
Lanzamos por primera vez la privacidad diferencial en Chrome hace casi siete años, desde entonces, Google ha agregado privacidad diferencial a muchos de sus productos. El año pasado, publicamos los informes de movilidad comunitaria COVID-19 y el conjunto de datos de tendencias de gripe, ambos fueron posibles gracias a la tecnología que desarrollamos internamente que brinda fuertes protecciones de privacidad, como la privacidad diferencial.
Este año, nos complace anunciar que Google Play comenzará a compartir nuevas métricas con los desarrolladores utilizando la privacidad diferencial que proporcionará nuevos conocimientos sobre cómo se utiliza su aplicación, sin permitir que los datos de ninguna persona se distingan o se reconozcan. Miles de millones de usuarios se benefician de Play Store todos los días y, al agregar privacidad diferencial a nuestra oferta, brindamos un alto nivel de privacidad a las personas que usan Google Play, al tiempo que garantizamos que los desarrolladores puedan tener acceso a datos significativos que les permitan mejorar sus aplicaciones.
Si bien la versión inicial de estas métricas fue posible utilizando parámetros similares a los que hemos usado anteriormente, planeamos expandir la cantidad de métricas que proporcionamos a los desarrolladores. Estas expansiones pueden requerir parámetros más flexibles para adaptarse a la mayor cantidad de métricas.
Nueva asociación con OpenMined centrada en tecnologías de preservación de la privacidad
Nuestro trabajo en privacidad diferencial está impulsado por nuestro objetivo principal de fortalecer el ecosistema de código abierto de una manera que proporcione privacidad de clase mundial para todos de manera global. Es por eso que nos hemos asociado con OpenMined, un grupo de desarrolladores de código abierto que se enfoca en abordar tecnologías que preservan la privacidad y expandir su uso en todo el mundo. Junto con OpenMined, crearemos un sistema de procesamiento de datos orientado a los desarrolladores de Python. Esta asociación tiene como objetivo replicar la infraestructura diferencialmente privada que tiene Google y reducir las barreras de entrada para los desarrolladores de Python. Esta asociación proporcionará a los desarrolladores de Python una forma nueva y única de tratar sus datos con privacidad de clase mundial.
Además, estamos lanzando una especificación de consulta que se usa internamente. Esta especificación guía miles de búsquedas que se realizan todos los días en Google de forma diferencialmente privada. Este es un paso adelante en la democratización del análisis de datos de manera privada. Esperamos que esta versión permita a los científicos de datos de todo el mundo realizar análisis de manera privada.
Mejorando el estado del aprendizaje automático
Hace dos años, presentamos TensorFlow Privacy (GitHub), una biblioteca de código abierto que facilita a los desarrolladores no sólo el entrenamiento de modelos de aprendizaje automático con privacidad, sino también a los investigadores para avanzar en el estado del arte en aprendizaje automático con garantías de privacidad sólidas. Gracias a una colaboración con investigadores de la Universidad de Waterloo, hemos mejorado la privacidad de TensorFlow.
En algunos casos, el entrenamiento con privacidad puede ser costoso o inviable. Hemos tratado de abordar esto respondiendo a la pregunta: ¿qué tan privado es un modelo de aprendizaje automático? El año pasado liberamos el código de nuestra biblioteca de ataques. Esta biblioteca realiza ataques a los modelos de aprendizaje automático para responder a esa pregunta. Desde entonces, nos hemos asociado con investigadores de la Universidad de Princeton y la Universidad Nacional de Singapur. Estos investigadores han agregado nuevas funcionalidades que amplían el alcance de la biblioteca a modelos generativos de texto y modelos de redes no neuronales. Esto significa que cualquiera que use la biblioteca podrá obtener una visión más completa sobre la privacidad de sus modelos. Recientemente, investigadores de la Facultad de Medicina de Stanford lo probaron en algunos de sus modelos para probar la memorización. Esta prueba les ayudó a comprender el comportamiento de privacidad de sus modelos, algo que no era posible antes.
Nuestro trabajo continúa a medida que invertimos en privacidad de clase mundial que brinda protecciones algorítmicas a las personas que usan nuestros productos al mismo tiempo que fomentamos y expandimos un ecosistema de código abierto saludable. Creemos firmemente que todos en el mundo merecen privacidad de clase mundial y seguiremos asociándonos con más organizaciones para cumplir con esa misión.
Te puede interesar
Otras noticias del día
Empresarias
El Mundial 2026 despliega la mayor arquitectura de seguridad tecnológica del deporte
La Copa del Mundo despliega una arquitectura de seguridad sin precedentes que combina IA, biometría, gemelos digitales, robots autónomos y sistemas anti drones. Estados Unidos destinó US$ 625 millones para reforzar la seguridad de las sedes y Canadá elevó su presupuesto federal hasta US$ 365 millones. Ver más
Campañas
Visa y Banco Macro lanzan una colección de tarjetas conmemorativas para el Mundial 2026
La colección de edición limitada combina la utilidad cotidiana de pago con un diseño coleccionable inspirado en las raíces culturales del fútbol en Argentina. La iniciativa es posible gracias a la plataforma de Card Metadata Management (VCMM) de Visa. Las tarjetas están disponibles a través de Banco Macro. Ver más
Medios
ESPN Fans lideró las reproducciones on-demand en YouTube Argentina durante junio
Data Trip Streaming analizó el rendimiento de los contenidos publicados durante el mes y reveló cuáles fueron los canales con mayor capacidad de generar consumo. El análisis incorpora el promedio de reproducciones por contenido publicado, una métrica que permite evaluar la eficiencia editorial y la capacidad de cada canal para generar consumo por pieza. Ver ranking completo. Ver más
Ranking de Streaming en el mes mundialista: cuáles son los canales en vivo más vistos en Youtube en junio
Merkado, el restaurante insignia de Gran Meliá Iguazú, renueva su carta con foco en el producto local
Sarmiento e Inkuesto Media amplían su equipo de ventas para potenciar el servicio de anunciantes y agencias
“El problema final”: fecha de estreno en Netflix y primeras imágenes de la miniserie
Publicis Global Delivery desplegó una agenda regional para conmemorar el Mes del Orgullo
Mitre y La 100 mantienen sus liderazgos con movimientos en el ranking de AM
multimedia / campañas publicitarias
“Don´t Stop Me Now”
La agencia presenta su más reciente desarrollo estratégico y creativo para Cofler. Se trata de la campaña con la que la marca le da la bienvenida a Cofler EXTRA, su línea de tabletas premium rellenas de Chocotorta, Cookies & Cream y Doble Mousse.