stubbur Hvað er mismunavernd? - Unite.AI
Tengja við okkur

Artificial Intelligence

Hvað er mismunavernd? 

Uppfært on

Við lifum í gegnum tímum stórra gagna, sem hefur beint enn meiri athygli að efni gagnaverndar. Menn framleiða ótrúlegt magn af gögnum á hverri sekúndu og fyrirtæki nota þessi gögn fyrir margs konar forrit. Með því að geyma og deila gögnum á áður óþekktum hraða verða að vera til fleiri tækni til að vernda persónuvernd. 

Mismunandi friðhelgi einkalífs er ein slík aðferð til að vernda persónuupplýsingar og það hefur reynst árangursríkara en margar af hefðbundnum aðferðum okkar. Það er hægt að skilgreina það sem kerfi til að deila opinberlega upplýsingum um gagnasafn með því að lýsa mynstrum hópa innan gagnasafnsins á meðan haldið er eftir upplýsingum um einstaklingana í gagnasafninu. 

Mismunandi friðhelgi einkalífs gerir rannsakendum og gagnagrunnssérfræðingum kleift að fá verðmætar upplýsingar úr gagnagrunnum án þess að birta persónuauðkenni um einstaklingana. Þetta er mikilvægt þar sem margir gagnagrunnar innihalda margvíslegar persónuupplýsingar. 

Önnur leið til að skoða mismunandi persónuvernd er að það býr til nafnlaus gögn með því að dæla hávaða inn í gagnapakkana. Hinn innleiddi hávaði hjálpar til við að vernda friðhelgi einkalífsins en er samt nógu takmörkuð svo greiningaraðilar geti notað gögnin á áreiðanlegan hátt. 

Þú getur haft tvö næstum eins gagnasöfn. Einn með persónulegar upplýsingar þínar og einn án þeirra. Með mismunavernd geturðu tryggt að líkurnar á því að tölfræðileg fyrirspurn skili tiltekinni niðurstöðu séu þær sömu, óháð því í hvaða gagnagrunni hún er framkvæmd.

Hvernig virkar mismunavernd? 

Leiðin sem mismunandi persónuvernd virkar er með því að innleiða færibreytu fyrir tap á persónuvernd eða fjárhagsáætlun fyrir persónuvernd, sem oft er táknuð sem epsilon (ε), í gagnapakkanum. Þessar færibreytur stjórna því hversu miklum hávaða eða tilviljun er bætt við hráa gagnasafnið. 

Ímyndaðu þér til dæmis að þú sért með dálk í gagnasafninu með „Já“/“Nei“ svörum frá einstaklingum. 

Segjum sem svo að þú flettir mynt fyrir hvern einstakling: 

  • Höfuð: svarið er látið vera eins og það er.
  • Halar: þú snýrð öðru sinni og skráir svarið sem „Já“ ef höfuð og „Nei“ ef skott, óháð raunverulegu svari. 

Með því að nota þetta ferli bætir þú handahófi við gögnin. Með miklu magni af gögnum og upplýsingum frá hávaðabætandi vélbúnaði mun gagnasafnið haldast nákvæmt hvað varðar samanlagðar mælingar. Persónuvernd kemur inn með því að leyfa hverjum einasta einstaklingi að afneita raunverulegu svari sínu með trúverðugleika þökk sé slembivalsferlinu. 

Þó að þetta sé einfalt dæmi um mismunað næði, veitir það grunnskilning. Í raunverulegum forritum eru reikniritin flóknari. 

Það er líka mikilvægt að hafa í huga að hægt er að innleiða mismunandi persónuvernd á staðnum, þar sem hávaði er bætt við einstök gögn áður en þau eru miðlæg í gagnagrunninum, eða á heimsvísu, þar sem hávaði er bætt við hrá gögn eftir að þeim er safnað frá einstaklingum. 

Dæmi um mismunandi persónuvernd

Mismunandi friðhelgi einkalífs er beitt í fjölmörgum forritum eins og meðmælakerfi, samfélagsnetum og staðsetningartengdri þjónustu. 

Hér eru nokkur dæmi um hvernig stór fyrirtæki treysta á mismunandi persónuvernd: 

  • Apple notar aðferðina til að safna nafnlausum notkunarinnsýn frá tækjum eins og IPhone og Macs.

  • Facebook notar mismunandi persónuvernd til að safna hegðunargögnum sem hægt er að nota fyrir markvissar auglýsingaherferðir.

  • Amazon byggir á tækninni til að öðlast innsýn í sérsniðnar innkaupastillingar á meðan að fela viðkvæmar upplýsingar. 

Apple hefur verið sérstaklega gagnsætt um notkun sína á mismunandi persónuvernd til að fá innsýn í notendur á sama tíma og friðhelgi einkalífsins varðveitt. 

„Apple hefur tileinkað sér og þróað áfram tækni sem er þekkt í fræðaheiminum sem staðbundið mismunað friðhelgi einkalífs að gera eitthvað virkilega spennandi: fá innsýn í hvað margir Apple notendur eru að gera, á sama tíma og hjálpa til við að varðveita friðhelgi einstakra notenda. Þetta er tækni sem gerir Apple kleift að fræðast um notendasamfélagið án þess að fræðast um einstaklinga í samfélaginu. Mismunandi næði umbreytir upplýsingum sem deilt er með Apple áður en þær fara úr tæki notandans þannig að Apple getur aldrei endurskapað sönn gögn.“

 - Yfirlit Apple um mismunavernd 

Umsóknir um mismunandi persónuvernd

Þar sem við lifum á þessu tímum stórra gagna eru mörg gagnabrot sem ógna stjórnvöldum, samtökum og fyrirtækjum. Á sama tíma treysta vélanámsforrit nútímans á námstækni sem krefst mikils magns af þjálfunargögnum, oft frá einstaklingum. Rannsóknastofnanir nota einnig og deila gögnum með trúnaðarupplýsingum. Óviðeigandi birting þessara gagna á nokkurn hátt getur valdið mörgum vandamálum fyrir bæði einstaklinginn og stofnunina og í alvarlegum tilfellum getur það leitt til ábyrgðar. 

Formleg persónuverndarlíkön eins og mismunandi persónuvernd taka á öllum þessum vandamálum. Þau eru notuð til að vernda persónuupplýsingar, rauntíma staðsetningu og fleira. 

Með því að nota mismunandi persónuvernd geta fyrirtæki nálgast mikið magn af viðkvæmum gögnum til rannsókna eða viðskipta án þess að skerða gögnin. Rannsóknarstofnanir geta einnig þróað sérstaka tækni til að gera persónuvernd sjálfvirkan í skýjasamfélögum, sem verða sífellt vinsælli. 

Af hverju að nota mismunandi persónuvernd? 

Mismunandi næði býður upp á nokkra helstu eiginleika sem gera það að frábærum ramma til að greina einkagögn á sama tíma og friðhelgi einkalífsins er tryggð: 

  • Magngreining á tapi á persónuvernd: Mismunandi persónuverndaraðferðir og reiknirit geta mælt persónutap, sem gerir það kleift að bera það saman við aðrar aðferðir.

  • Samsetning: Þar sem þú getur metið persónutap geturðu einnig greint og stjórnað því með mörgum útreikningum, sem gerir kleift að þróa mismunandi reiknirit.

  • Friðhelgi hóps: Fyrir utan einstaklingsstigið, gerir mismunað næði þér kleift að greina og stjórna næðistapi meðal stærri hópa.

  • Öruggt í eftirvinnslu: Mismunandi friðhelgi einkalífs getur ekki skaðað með eftirvinnslu. Til dæmis getur gagnagreinandi ekki reiknað fall af úttakinu á mismunadrifnu einkaalgrími og gert það minna persónulegt. 

Ávinningur af mismunandi persónuvernd

Eins og við nefndum áðan er mismunað næði betra en margar hefðbundnar persónuverndaraðferðir. Til dæmis, ef allar tiltækar upplýsingar eru auðkenndar upplýsingar, gerir mismunandi persónuvernd það auðveldara að bera kennsl á alla þætti gagnanna. Það er einnig ónæmt fyrir persónuverndarárásum sem byggjast á aukaupplýsingum, sem kemur í veg fyrir árásir sem hægt er að framkvæma á afgreind gögn. 

Einn stærsti ávinningurinn við mismunað einkalíf er að það er samsett, sem þýðir að þú getur reiknað persónuverndartapið við að framkvæma tvær mismunandi einkagreiningar á sömu gögnunum. Þetta er gert með því að draga saman einstakar persónuverndartap fyrir greiningarnar tvær. 

Þó að mismunandi persónuvernd sé nýtt tæki og erfitt geti verið að ná utan um rannsóknarsamfélög, eru lausnir sem auðvelt er að innleiða fyrir persónuvernd að verða aðgengilegri. Í náinni framtíð ættum við að sjá vaxandi fjölda þessara lausna í boði fyrir breiðari almenning. 

Alex McFarland er blaðamaður og rithöfundur gervigreindar sem skoðar nýjustu þróunina í gervigreind. Hann hefur unnið með fjölmörgum AI sprotafyrirtækjum og útgáfum um allan heim.