פיתרון אפשרי לשחיקה בפרטיות בעידן הקורונה

This post is also available in: English (אנגלית)

טכנולוגיית איתור המיקום הפכה לחלק בלתי נפרד מהתגובה העולמית למגיפת הקורונה. בכל רחבי העולם, סמארטפונים ונתונים של אזרחים משמשים את הרשויות כדי לזהות מקרים אפשריים של הדבקה, לספק שירותי חירום בנקודות "אדומות" או לסגור את האנשים בבתים.

לאור התפתחות זאת, גדל החשש לגבי אבטחת הנתונים ושחיקת הפרטיות. כדי להתמודד עם אתגרים אלה, על ממשלות, ארגונים ושחקנים בתחום הטכנולוגיה לשתף פעולה ולסייע להעלות את המודעות של הציבור לגבי פרטיות ובמקביל לאפשר להם לבצע בחירות מודעות יותר לגבי הנתונים שלהם ולהגן עליהם מפני בעלי כוונות זדון, כך לפי cnbctv18.com.

רוב האפליקציות והכלים לאיתור מיקום מסתמכים על טכנולוגיות ניידים, כגון בלוטות', על מנת לזהות מרחק פיזי ומפגשים בין אנשים על בסיס עוצמת אות הרדיו של הבלוטות'. בלוטות' יכול לאתר טלפון נוסף בסביבתו אך הוא לא יכול לציין את הכיוון ממנו מגיע אותו אדם ולא לספק הקשר.

למידה פדרלית (Federal Learning – FL) זהו ענף של למידת מכונה שמסוגל להתמודד עם האתגר, תוך שמירה על רמה של שליטה ופרטיות. זאת הודות לכך שה-FL מסיר את הצורך שמשתמשי קצה ועסקים יעבירו את הנתונים שלהם לצד שלישי חיצוני. בגישת ה-FL מאמנים את האלגוריתם במספר רב של מכשירי קצה או שרתים מבוזרים המחזיקים בדוגמאות נתונים מקומיים, בלי לבצע החלפת נתונים.

כיום, חלק ניכר מנתוני הניידים נאסף ישירות על ידי חברות וממשלות באמצעות האפליקציות בהן אנחנו משתמשים, והמידע מגיע למרכז נתונים בענן. החברה שהנתונים בבעלותה יכולה לנתח אותם ולייצר מודלים עסקיים חדשים וללמוד תובנות חדשות על התנהגות אנשים. מודל זה מעלה חששות לגבי אבטחה ופרטיות.

אבל בעזרת למידה פדרלית, יש העברה חלופית של המודל אל המשתמש, כאשר הנתונים נאספים באופן מקומי. רק הידע שמופק מועבר חזרה לענן, ללא מידע אישי, מה שמספק שכבת אבטחה נוספת כאשר שאר המידע הרלבנטי יכול לשמש לפיתוח ושיפור השירות מבוסס-הענן. כלומר, הסמארטפון הופך ל"חיישן קצה" שמספק רק את הנתונים קרוב לקצה של האזורים הנבחנים.

יחד עם זאת, למידה פדרלית חשופה להתקפות מסוג דלת אחורית ואינפרנס. כדי להתגונן מפני חולשות ידועות אלה, יש לשלב את הלמידה הפדרלית עם פרטיות דיפרנציאלית או טכניקות זמינות אחרות, לפי הצורך.

למרות שטכנולוגיית איתור המיקום מבטיחה אפשרויות בלתי מוגבלות, על הממשלות וחברות הטכנולוגיה לאזן את הדברים ברמה האישית וברמת התאגיד בדרכים שיתמודדו עם חששות הציבור בכל הקשור לאבטחה, בעלות על הנתונים והיכולת לשלוט בנתונים שלהם. כאן יכולה הלמידה הפרדלית למלא תפקיד חשוב בעתיד הודות לכך שהיא מציבה במרכז את הפרטיות של המשתמש.