I dagens samfunn deler og analyserer mange organisasjoner store og sensitive datasett om enkeltpersoner. Enten det dreier seg om helsedata, finansielle opplysninger eller eksamensresultater, har det blitt stadig vanskeligere for organisasjoner å beskytte individers informasjon gjennom avidentifisering, anonymisering og andre tradisjonelle metoder for statistisk databeskyttelse. Denne praktiske boken gir en grundig innføring i hvordan differensial personvern (DP) kan bidra til å løse disse utfordringene. Forfatterne Ethan Cowan, Michael Shoemate og Mayana Pereira utforsker hvordan disse teknikkene gir datavitere, forskere og programmerere muligheten til å utføre statistiske analyser som skjuler bidragene fra enkeltindivider. Du vil bli introdusert for grunnleggende DP-konsepter og lære hvordan du kan bruke verktøy med åpen kildekode for å lage differensielt private statistikker. Boken tar også for seg hvordan du kan vurdere balansen mellom nytte og personvern, samt hvordan du kan integrere differensial personvern i arbeidsprosesser. Gjennom dette verket vil du få innsikt i hvordan DP sikrer personvernet når andre anonymiseringsmetoder ikke er tilstrekkelige.
