Tecnologias de ponta baseadas em inteligência artificial e aprendizado de máquina vêm ganhando força nos últimos anos. As organizações estão se tornando mais dependentes deles para operações internas, pesquisas e previsão das necessidades dos clientes. No entanto, essas tecnologias são alimentadas por dados, especialmente dados do usuário final.
Embora a análise de dados forneça o insight necessário para fornecer um melhor atendimento ao cliente, manter a privacidade do usuário é o maior obstáculo que as empresas precisam superar. É aqui que as técnicas como privacidade diferencial (DP) entram em jogo. O DP ajuda a processar e compartilhar dados sem revelar as identidades individuais dos usuários, empregando ruído estatístico, que são alterações aleatórias feitas nos dados originais.
Aqui está um caso de uso simples: Um estudo precisa ser feito para analisar se a geração do milênio prefere usar pasta de dente ou enxaguatório bucal para higiene dental. Os participantes são convidados a escolher uma das duas opções. Antes de registrar suas respostas, o algoritmo diferencialmente privado aplicará uma técnica de randomização semelhante ao lançamento de uma moeda. Se der cara, a resposta original do participante, vamos supor que a pasta de dente, será mantida. Se for coroa, o enxaguatório será registrado como a resposta selecionada pelo participante. No caso de qualquer vazamento de dados, o invasor terá dificuldade em diferenciar entre os dados originais e os dados modificados gerados pelo algoritmo. A troca das respostas (ruído) seria feita apenas em quantidades aceitáveis que não causariam variações significativas nos resultados agregados.
Gigantes da tecnologia como Apple e Google usam DP para identificar os padrões de comportamento dos usuários sem revelar suas identidades. A Apple emprega DP para acumular insights como uso de mecanismo de pesquisa, uso de emoji e uso de palavras que não estão na biblioteca de palavras-chave de dispositivos como iPhones, iPads e Macs. O Google Maps usa DP para coletar informações sobre o tráfego nas cidades. Recentemente, o Google o usou em seus relatórios de mobilidade da comunidade, que capturam as tendências de movimento geográfico durante o COVID-19. O LinkedIn o usa para gerar análises de marketing e percepções de público para anunciantes, sem revelar os dados de seus membros. A Amazon o utiliza para acessar o histórico de compras dos usuários sem comprometer suas identidades, a fim de fornecer sugestões mais personalizadas.
Esses são apenas alguns casos de uso. Aqui estão cinco leituras interessantes sobre privacidade diferencial e o que isso significa para as empresas.
As pessoas estão cada vez mais preocupadas com a forma como seus dados estão sendo armazenados e usados. DP é uma das técnicas usadas para resolver isso. Embora não seja um conceito totalmente novo, poucos o implementaram em grande escala. Compreender os principais componentes do DP e como ele se relaciona com o objetivo de sua pesquisa é vital para aplicá-lo em uma escala maior.
Existem muitas técnicas de computação que aumentam a privacidade sendo desenvolvidas e testadas por grandes empresas. DP é aquele que está ganhando mais tração. Vamos ver quais setores devem considerar a implementação disso e como isso está sendo usado em diferentes setores.
Certos erros de implementação podem fazer com que algoritmos diferencialmente privados falhem em seu propósito. Testes automatizados e provas manuais são alguns dos métodos conhecidos para resolver esse problema. Neste artigo, exploramos outra opção chamada prova automática. Ferramentas de verificação automática analisam um programa e tentam construir provas de que ele não deixará os algoritmos falharem.
Misturar dados confidenciais com quantidades específicas de dados modificados aleatoriamente fornecerá mais segurança do que simplesmente criptografá-los. Este artigo discute as possíveis maneiras pelas quais as empresas podem aproveitar essa técnica para proteger dados valiosos, bem como os prós e contras dessas abordagens.
Este artigo explora o conceito de DP e como ele está sendo empregado por empresas de diferentes setores. Ele também compartilha os principais aprendizados do uso do DP pelo US Census Bureau.
As empresas que lidam com informações confidenciais podem reduzir o risco de exposição de dados, combinando DP com outras tecnologias que aumentam a privacidade. Marcas importantes como Apple e Google já estão testando novos algoritmos diferentemente privados como parte de suas medidas de proteção de dados. Empresas e governos já começaram a explorar seu potencial para apoiar trocas seguras de dados confidenciais. No entanto, as empresas precisarão entender até que ponto o ruído (dados alterados) pode ser injetado para que esse método seja eficaz.
Faça o download agora mesmo de qualquer solução e aproveite sua avaliação gratuita de 30 dias, contando sempre com o nosso time.
ACSoftware revenda e distribuidora ManageEngine no Brasil. Fone / WhatsApp (11) 4063 9639.
PodCafé da TI – Podcast, Tecnologia e Cafeína.