Más Información
presentó en código abierto su Biblioteca de Privacidad Diferencial , que es una herramienta que permite a las empresas obtener información útil de los usuarios sin conocer datos sobre los mismos.
La privacidad diferencial es una técnica matemática que ayuda a las organizaciones a aprender de la gran mayoría de sus datos mientras se asegura de que las personas no puedan ser reconocidas a partir de los resultados de su análisis.
“Cuando la aplicamos a nuestros productos, agregamos 'ruido', es decir, pequeñas cantidades de transformaciones aleatorias de datos, para anonimizar nuestro análisis. En última instancia, la privacidad diferencial permite a las organizaciones obtener información útil sin conocer datos sobre las personas” indicó Google en un comunicado.
“Estamos entusiasmados por poner a la disposición de todos esta biblioteca, y alentamos a los desarrolladores a usarla como parte de una estrategia más amplia de privacidad de datos. Deberían invertir en controles de usuario simples y potentes, y también pueden considerar otras tecnologías de código abierto, como TensorFlow Federated y Private Join and Compute, ambas construidas internamente en Google”.
La Biblioteca de Privacidad Diferencial está disponible desde hoy en código abierto para todo tipo de organización o desarrollador que quiera usarla.
Google explicó que este lanzamiento de código abierto tiene las siguientes características:
Variedad de funciones estadísticas
, es decir, que admite la mayoría de las operaciones estándar usadas en la ciencia de datos, como recuentos, sumas, promedios, medianas y percentiles.
Pruebas rigurosas a través de la ‘Librería
de comprobación estocástica del modelo de privacidad diferencial de Google, una herramienta que ayuda a garantizar la precisión y evitar errores.
Listo para usarse
. Incluye una extensión PostgreSQL junto con recetas de implementación comunes para comenzar usarla de inmediato.
Presupuesto de privacidad
: la biblioteca también es expandible y está lista para la administración del presupuesto de privacidad, lo que significa que impone limitaciones matemáticas a los datos que los desarrolladores se arriesgan a exponer. En última instancia, la elección de un presupuesto de privacidad específico es una decisión de política que cada organización debe tomar a la luz de su modelo de riesgo.
