Privasi menurut desain & teknologi peningkat privasi

Memahami GDPR

Shalini Kurapati, CIPP/E

Co-founder and CEO, Clearbox AI

Ringkasan

Privasi menurut desain
- Pendekatan sistem yang proaktif terhadap privasi
Inti Pasal 25 - GDPR
Privacy Enhancing Technologies (PETs)
PET yang sedang berkembang

Perlindungan data menurut desain dan default

Menurut desain

Tangan seseorang menggambar beberapa proses di atas kertas.

Pendekatan sistem yang proaktif
Privasi tertanam dalam proses dan sistem

Menurut default

Ilustrasi banyak ikon yang mewakili pengaturan.

Pengaturan default yang mengutamakan privasi, minimisasi data
Keduanya tampak abstrak dan tingkat tinggi, tetapi ada cara penerapannya.

Teknologi peningkat privasi

Apa itu PET?

Solusi perangkat lunak/keras, proses, metode, atau pengetahuan untuk melindungi privasi atau menghindari risikonya

PET yang umum digunakan:

Anonimisasi dan pseudonimisasi
Enkripsi
Differential privacy (baru)

Teknologi mutakhir/berkembang:

Data sintetis, federated learning

Data sintetis

Data yang dihasilkan secara artifisial
Mempertahankan daya statistik dan prediktif data asli sambil menjaga privasi

¹ https://www.jpmorgan.com/synthetic-data

Use case data sintetis

Pelestarian privasi dan peningkatan kualitas data
Proyek inovasi terbuka, uji model AI, sandbox data, dan berbagi data antar organisasi

¹ https://www.gartner.com/en/newsroom/press-releases/2022-08-22-gartner-data-analytics-summit-2022-orlando-day-1-highlights

Federated learning

Ilustrasi proses federated learning.

Biasanya data harus “keluar” ke server eksternal untuk melatih model AI; ini tidak aman bagi privasi
Federated Learning melatih model di perangkat jarak jauh dengan data tetap lokal
Transfer model, bukan transfer data

¹ P. Kairouz et al, Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning Vol 4 Issue 1, 2021.

Contoh federated learning

Ilustrasi contoh federated learning untuk algoritme prediksi kata berikutnya yang dilatih di banyak ponsel.

¹ Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE Signal Processing Magazine, 37(3), 50-60.

Sebelum Anda pergi

Tidak ada metode atau teknologi privasi yang sempurna
Pertimbangkan lingkup dan konteks
Proporsionalitas: risiko vs manfaat
Ukurannya harus sesuai hasil analisis risiko–manfaat

Ayo berlatih!

Memahami GDPR