Protection des données dans les pipelines ML par le chiffrement des jeux d’entraînement, la défense contre l’empoisonnement des données, les attaques par inférence d’appartenance et l’inversion de modèle pouvant extraire des informations sensibles. Couvre la confidentialité différentielle, le calcul multipartite sécurisé pour l’apprentissage fédéré, l’assainissement des jeux de données sensibles et le contrôle de la provenance des données pour empêcher l’injection de portes dérobées pendant l’entraînement.