Não importa se você é um urbanista, um microempresário ou um desenvolvedor de software: usar dados para obter informações úteis ajuda a aprimorar seus serviços. Entretanto, a falta de uma sólida proteção de privacidade cria riscos de perder a confiança de clientes, cidadãos e usuários.
A análise de dados de privacidade diferencial é uma abordagem baseada em princípios que permite que as organizações aprendam a obter informações a partir de boa parte de seus dados – garantindo, ao mesmo tempo, que pessoas isoladas não possam ser identificadas a partir do resultado das análises.
Por exemplo, se você é um pesquisador de saúde, pode comparar o tempo médio em que os pacientes permanecem internados em vários hospitais para determinar se há diferenças nos cuidados. A privacidade diferencial é um meio analítico de alta confiança para garantir que casos de uso como esse sejam tratados de maneira a preservar a privacidade.
O Google está lançando hoje a versão open-source de nossa biblioteca de privacidade diferencial que ajuda a impulsionar alguns dos principais produtos do Google. Para facilitar o uso da biblioteca pelos desenvolvedores, estamos focando nos recursos que podem ser particularmente difíceis de executar do zero, como calcular automaticamente os limites das contribuições dos usuários. Agora, a biblioteca está disponível gratuitamente para qualquer organização ou desenvolvedor que queira usá-la.
Nossa biblioteca de código aberto foi projetada para atender às necessidades dos desenvolvedores. Além de ser acessível gratuitamente, queríamos que ela fosse fácil de implantar e útil.
Aqui estão alguns dos principais recursos da biblioteca
-
Funções estatísticas: As operações mais comuns de data science são suportadas por esta versão. Os desenvolvedores podem calcular contagens, somas, médias, medianas e porcentagens usando a nossa biblioteca..
-
Testes rigorosos: A privacidade diferencial é uma tecnologia conhecida por ser difícil de realizar da maneira correta. Além de incluir um amplo conjunto de testes, eles oferecem também uma biblioteca “Stochastic Differential Privacy Model Checker”, capaz de ser ampliada.
-
Pronta para usar: a verdadeira utilidade da biblioteca fica evidente diante da pergunta: “será que eu posso usá-la?” E a resposta é “sim!”. Uma extensão PostgreSQL foi incluída e também receitas comuns para quem está começando a adotar a ferramenta. Há uma descrição rica em detalhes desta abordagem em um documento técnico que foi lançado hoje.
-
Modular: A biblioteca foi projetada para que ela possa ser ampliada para incluir outras funcionalidades, como mecanismos adicionais, funções de agregação ou gerenciamento de orçamento de privacidade.
O Google vem conduzindo a pesquisa e o desenvolvimento de técnicas práticas de privacidade diferencial desde que lançaram o RAPPOR para aprimorar o Chrome em 2014 e continuaram usando sua aplicação no mundo real.
Desde então, eles continuando usando a privacidade diferencial para criar recursos úteis para os novos produtos, como saber o quão cheia está uma empresa ao longo do dia ou a popularidade de um prato em um restaurante no Google Maps e melhorar o Google Fi.
Este ano, o Google anunciou várias tecnologias de privacidade de código aberto – Tensorflow Privacy, Tensorflow Federated, Private Join and Compute – e o lançamento de hoje entra para essa lista crescente. A gigante demonstra muita empolgação em disponibilizar amplamente essa biblioteca e esperam que os desenvolvedores considerem aproveitá-la enquanto desenvolvem suas estratégias de privacidade de dados. Da medicina, ao governo, às empresas e além, acreditam que essas ferramentas de código aberto ajudem a produzir insights que beneficiem a todos.
