Elza de Hooge
Tokenization versus encryptie: Kies de juiste data beveiligingsmethode
Tokenization versus encryptie: Kies de juiste data beveiligingsmethode Tokenization en encryptie zijn beiden manieren om data te beveiligen als het over het internet wordt verstuurd of wordt bewaard. Hoewel zowel tokenization als encryptie een effectieve databeveiliging technologie is, zijn deze methoden niet identiek en niet inwisselbaar. Elke technologie heeft zijn eigen krachten en zwakten. Op basis daarvan zou een van
Databeveiliging middels tokenization
Databeveiliging middels tokenization Gevoelige data kan niet worden verzonden zonder bescherming, aangezien de beveiligingsbedreigingen er vandaag de dag simpelweg te veel zijn. Hoewel data encryptie krachtige bescherming kan bieden, is het niet onfeilbaar. Steeds meer bedrijven gebruiken dan ook meerdere data beveiligingsmethoden. Data encryptie is een bekende methode die al tientallen jaren met succes wordt gebruikt, maar het feit dat
Gezichtsherkenning bij het dragen van mondkapjes
Gezichtsherkenning bij het dragen van mondkapjes Het coronavirus heeft erin geresulteerd dat bijna iedereen in publieke ruimtes een mondkapje draagt in de hoop het virus af te weren. Voor video observatie vormt dit een probleem. Mondkapjes gaan niet alleen in zekere zin Covid-19 tegen, ze gaan ook in bepaalde mate gezichtsherkenning tegen. Kort gezegd worstelen de gezichtsherkenning algoritmen die voor
Starten met een deep learning project: Train en implementeer een deep learning model
Starten met een deep learning project: Train en implementeer een deep learning model In de voorgaande posts hebben we stuk voor stuk de stappen van het starten met een deep learning project doorgenomen. Deze week bespreken we de laatste stappen van het project: Het trainen en implementeren van het deep learning model. Het trainen van een deep learning model Voor
Starten met een deep learning project: Breng data naar training platform
Starten met een deep learning project: Breng data naar training platform In de afgelopen twee posts hebben we de eerste stappen van een deep learning project doorgenomen. Na het bepalen van de business- en data behoeften, hebben we besproken hoe je de data van de edge naar de fog kunt bewegen. Als de data vervolgens eenmaal voorbereid is op training,
Starten met een deep learning project: Breng data van edge naar fog en bereid het voor op training
Starten met een deep learning project: Breng data van edge naar fog en bereid het voor op training Breng data van edge naar fog De opname van data is een belangrijke overweging voor iedere deep learning use case, maar het is met name cruciaal voor use cases waarbij databronnen die zich bij de edge bevinden betrokken zijn. Data stroomt vaak
Starten met een deep learning project: Bepaal jouw business- en data behoeften
Starten met een deep learning project: Bepaal jouw business- en databehoeften Bij het uitvoeren van een AI project komen vele factoren kijken. Zo hangt het succes van het project niet alleen af van het bij elkaar brengen van een gekwalificeerd team, maar bijvoorbeeld ook van het selecteren van de juiste infrastructuur. Wegens de complexiteit kan de kritieke rol die data
Architecturen voor edge video analytics
Architecturen voor edge video analytics We kunnen de lage latency en hoge verwerkingscapaciteit van edge computing benutten voor videoverwerking. Dit stelt camera’s in staat om real-time analytics te produceren, die gebruikt kunnen worden voor toezicht, onregelmatigheidsdetectie, tracking, het verzamelen van inzichten uit beelden, en vele andere taken. Edge video analytics kan in verschillende architecturen worden geïmplementeerd. Edges en fogs Een
AI activiteiten in de edge of in de cloud?
AI activiteiten in de edge of in de cloud? Vorige keer hebben we het gehad over het belang van edge computing voor AI activiteiten in een IoT omgeving. Ondanks de belangrijke rol die edge computing nu speelt, staat cloud computing met al zijn voordelen zeker niet op het punt om te verdwijnen. Wat we graag willen is the best of
Semi-supervised machine learning
Semi-supervised machine learning Zowel supervised machine learning (SML) als unsupervised machine learning (UML) hebben hun voor- en nadelen. Een groot nadeel van SML is dat doorgaans slechts een fractie van data daadwerkelijk is gelabeld, algoritmisch dan wel handmatig. Een groot nadeel van UML is dat je geen precieze informatie kan krijgen met betrekking tot het sorteren van gegevens. In een
Recente Blogs
