Google: la differential privacy è Open Source

Il team di Google rilasciato sotto licenza open source la sua libreria chiamata differential privacy. Questo progetto di Big G, sviluppato per assicurare un alto livello di privacy dei dati dell'utente, è dedicato in particolar modo alle applicazioni o ai servizi di data scientist, data analysis e machine learning.

Gli sviluppatori di Mountain View hanno progettato differential privacy in modo tale che durante la analisi dei dati venga creato una sorta di "rumore di fondo" che impedisce agli algoritmi e ai ricercatori che li utilizzano di risalire al singolo dato o all'utente che l'ha generato, il tutto senza alterare i risultati statistici. In buona sostanza differential privacy introduce un approccio crittografico alla data science, permettendo di lavorare con i Big Data senza violare la riservatezza degli utenti.

Mountain View utilizza differential privacy in RAPPOR (Randomized Aggregatable Privacy-Preserving Ordinal Response) un tool integrato in Chrome usato per analizzare e realizzare grafici di dati. RAPPOR va ad "anonimizzare" i dati degli utenti prima di analizzarli, consentendo agli sviluppatori di Chrome di leggerli senza poter risalire alle abitudine o ai comportamenti del singolo utente.

Ad annunciare il rilascio sotto licenza open source di differential privacy è stato Miguel Guevara, Product Manager, Privacy e Data Protection Office di Google, sul blog ufficiale dell'azienda:

Oggi abbiamo rilasciato la prima versione open source di differential privacy, tale libreria è già presente in moltissimi dei nostri progetti. Per consentire agli sviluppatori una facile implementazione [di differential privacy] in altri progetti software per il momento ci siano focalizzati sullo sviluppo di feature che possono essere particolarmente difficili da implementare ed eseguire partendo da zero.

Dunque i vari progetti open source di data analysis o di machine learning potranno presto implementare differential privacy in modo da garantire un maggiore anonimato degli utenti durante le analisi automatizzate dei dataset di grandi dimensioni.

Via Differential privacy