Privacidad e IA
Usamos la IA a diario en el smartphone que nos acompaña a todas partes, en las páginas web que visitamos, en el coche que conducimos, en todo tipo de contenidos de streaming que consumimos, … La IA está mejorando nuestra calidad de vida gracias a servicios personalizados, recomendaciones adaptadas a nuestros gustos, mayor automatización de tareas y procesos o decisiones más precisas y eficientes.
Por desgracia, la recopilación, análisis y utilización de enormes volúmenes de información para entrenar y perfeccionar los algoritmos de IA, a menudo sin el consentimiento claro de los usuarios y ni siquiera su conocimiento, puede desencadenar amenazas significativas para nuestra privacidad individual.
Las PET, al rescate de la privacidad
Afortunadamente, las Privacy Enhancing Techniques (PET), o Técnicas para la Mejora de la Privacidad, han emergido como una solución crucial para salvaguardar la información sensible en este panorama digital, brindando un equilibrio entre la utilidad de la IA y la protección de datos personales.
Las PET son un conjunto de metodologías y enfoques diseñados para garantizar que la privacidad de los usuarios se mantenga intacta a pesar del uso intensivo de datos por parte de los sistemas de IA. Estas técnicas están diseñadas para minimizar la cantidad de información personal que se revela durante la interacción de los usuarios con algoritmos y sistemas inteligentes.
Taxonomía de las PET
Las PET se pueden categorizar en tres áreas según su enfoque:
- Técnicas de protección: utilizan algoritmos criptográficos nada convencionales para que los datos personales sean inaccesibles a terceros.
- Pruebas de conocimiento nulo: cuando los usuarios pueden demostrar su conocimiento de un valor sin revelar el valor en sí.
- Computación confidencial: entorno de ejecución de confianza (TEE) basado en hardware como un enclave seguro dentro de una CPU.
- Cifrado homomórfico: cuando los datos se cifran antes de compartirlos, de manera que puedan ser analizados, pero sin descifrar la información original.
- Recuperación privada de información: cuando un usuario desea obtener información de un servidor sin que el servidor sepa qué información ha entregado al usuario.
- Técnicas de des-identificación: reducen la cantidad de datos personales que se recopilan o procesan.
- Privacidad diferencial: añadir datos adicionales aleatorios (ruido) a un conjunto de datos para imposibilitar la obtención de información sobre entradas individuales.
- Anonimización: eliminar los identificadores directos, o indirectos, de un conjunto de datos mediante un proceso manual o automatizado.
- Seudonimización: sustituir un elemento de los datos, como un identificador, por un equivalente no sensible de forma reversible o irreversible: como la tokenización, el enmascaramiento o la generalización.
- Datos sintéticos: crear datos sintéticos totalmente nuevos, normalmente mediante aprendizaje automático, que imitan las características de los datos del mundo real.
- Técnicas de colaboración: comparten el conocimiento aprendido desde diferentes fuentes sin compartir los datos utilizados para adquirirlo.
- Computación multi-parte segura: cuando el análisis de datos se reparte entre múltiples partes, de manera que ninguna parte individual puede ver el conjunto completo de datos.
- Análisis federado: donde las partes comparten la información obtenida del análisis de sus datos sin compartir los datos en sí.
Usos y aplicaciones de las PET
Las PET se están utilizando en una variedad de aplicaciones reales para proteger la privacidad de los datos de los usuarios:
- Servicios de cloud computing: para proteger los datos personales de los usuarios que se almacenan en la nube mediante computación confidencial o cifrado homomórfico.
- Publicidad digital y sistemas de recomendación: para limitar la cantidad de datos personales que se recopilan de los usuarios para fines de publicidad o para recomendar productos, por ejemplo, mediante técnicas de anonimización para ocultar la identidad de los usuarios a quienes van dirigidos los anuncios o recomendaciones.
- Investigación científica: para proteger los datos personales de los sujetos de investigación mediante técnicas de aprendizaje federado.
- Ciberseguridad: para intercambiar datos de ciberinteligencia entre múltiples organizaciones dispares, de manera que, aunque cada organización solo puede ver los suyos, se pueden ejecutar búsquedas sobre el conjunto.
- Criptomonedas: el mejor ejemplo es Zcash, una criptomoneda centrada en garantizar la privacidad y el anonimato de sus usuarios. Para lograrlo, Zcash emplea una variante especializada de las pruebas de conocimiento nulo, llamada zk-SNARK.
El Gobierno Británico ha publicado una Guía para la adopción de las PET muy completa y didáctica, que incluye un extenso listado de casos de uso, así como un diagrama de flujo para ayudar en la selección de la técnica PET más apropiada en función de tu caso de uso particular.
El futuro de las PET y de la privacidad en relación con la IA
El avance de la IA es imparable y su voracidad por los datos personales solo crecerá, lo que previsiblemente aumentará la demanda y necesidad de PETs cada vez más robustas y sofisticadas. Además, las regulaciones gubernamentales, como el Reglamento General de Protección de Datos (RGPD) en Europa, jugarán un papel crucial en la forma en que las empresas implementan y adoptan PET. Es esencial que tanto las organizaciones como los individuos comprendan la importancia de la privacidad en este mundo dominado por la IA y actúen en consecuencia.
Cuanta mayor preocupación manifiestes por la privacidad de tus propios datos personales, mayor presión regulatoria ejercerán los gobiernos sobre las empresas y más crecerá la demanda de nuevas y mejores técnicas PET, lo que a su vez incentivará la investigación en este fascinante campo.
Valora y protege tu privacidad. Todos saldremos ganando.
Aprende en nuestro Máster Profesional en Ciberseguridad, Hacking Ético y Seguridad Ofensiva.
