大數據科學中合成數據如何解決匿名化問題

大數據科學中合成數據如何解決匿名化問題，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

現在，隨著GDPR的生效，企業在保護數據時必須格外小心。傳統匿名通常不是真正的匿名，最終個人身份是可以識別的。對數據添加額外級別匿名化的一種方法是引入合成數據。

自歐盟范圍內的數據監管規定GDPR于2018年5月生效以來，許多在歐盟有業務的企業可能會對其侵權處罰感到擔憂，這可導致高達全球年營業額4%的罰款。

上個月，英國航空公司(British Airways)和萬豪國際(Marriott  International)分別被處以令人咋舌的罰款(分別為1.83億英鎊和1億英鎊)，想必各大企業應該都知道數據泄露意味著什么。對于銀行和金融機構等處理大量個人數據的大型企業來說，這尤其令人生畏。

我們都知道“數據是新的石油”這個說法，現代企業需要利用客戶數據來更好地了解客戶，同時訓練人工智能和機器學習算法。但現在，為了避免數據泄露，許多企業都將自己的數據嚴格控制，并對誰能在何時獲取這些數據制定了嚴格的程序。盡管這是數據隱私的一個積極趨勢，但它仍然限制了組織的數據靈活性和創新能力。

傳統匿名化的問題

聰明一點的企業現在正在尋找新的隱私增強技術，以便在數據效用和安全性之間取得平衡，有很多企業現在在“匿名”數據集上運行數據密集型流程(例如測試和數據分析)。

匿名化技術多種多樣，但最常用的方法之一是一般化，即將數據點的特殊性(如客戶的完整家庭地址)更改為更廣泛的數據點(如客戶的地區或城市)。通過犧牲數據集中一定程度的實用功能，確保數據集中的個人是匿名的、不可識別的。

匿名化變得如此流行的原因之一是，GDPR并不適用于匿名化的個人數據。但更令人擔憂的是，最近的研究表明，目前使用的大量匿名化在掩蓋一個人的身份方面效果很差。在絕大多數情況下，機器學習模型可以重新識別個人。

所以，實際上你并不需要個人的詳細信息來識別他們。因此，傳統的匿名化技術根本達不到要求。

復雜的合成數據

在綜合數據集中，每個數據點都屬于完全理論化的個體，有自己的名字、年齡、地址、銀行賬號、稅務記錄、醫療記錄，以及數據分析所需的任何其他細節。從歷史上看，這些數據的主要問題是很難生成足夠高質量的合成數據，以滿足高級數據科學的需要。

然而這些情況都會隨著人工智能和機器學習的發展而改變。通過在“真實”數據上訓練算法，我們現在可以生成保留原始數據所有底層統計信息的合成數據集，但個人或可識別信息為零。

一個簡單的方法是通過Nvidia生成對抗網絡(GANs)的方法，這是This Person Does Not  Exist網站背后所用的技術。該網站利用真實的名人面孔數據集來生成不存在的人的超現實圖像。本質上，這是合成數據，每個人都有許多可以分析的屬性(例如眼睛的顏色、頭發的顏色、膚色)，但是這些數據不能被破壞，因為它們不屬于真實的人。

如果將這項技術應用于客戶數據，您就可擁有可以在整個數據科學團隊中共享的數據，并用于各種建模，不需要過多的管理，也沒有隱私風險。同時，您的“真實”客戶數據可以存儲在一個安全的服務器上，很少有人需要訪問它。

寫在最后

隨著越來越多的企業希望采用綜合數據策略，毫無疑問，所有行業都將產生連鎖反應。  配備有必要的工具才能釋放其數據潛力，組織將可以利用他們的客戶數據，同時避免風險和承擔責任。

有了數據科學和先進的機器學習以及各種各樣的新技術，數據經濟即將被重塑，數據創新的新時代即將到來。

社交媒體的出現給人工智能領域帶來了巨大的飛躍，但很少有人關注數據的安全。現在，有了合成數據，我們可以沿著數據科學的道路繼續前進。但這一次，在堅持規則的同時，也需要更謹慎地謹慎對待數據。

關于大數據科學中合成數據如何解決匿名化問題問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。