Administrativne informacije
| Naslov | Uvod u privatnost podataka |
| Trajanje | 135 min |
| Modul | B |
| Vrsta lekcija | Predavanje |
| Fokus | Etika – pouzdana umjetna inteligencija |
| Tema | Privatnost podataka |
Ključne riječi
Privatnost podataka, rizik od privatnosti, osobni podaci, osjetljivi podaci, profiliranje, praćenje, anonimizacija, privatnost u strojnom učenju, TOR, pseudonimizacija, izravni i neizravni identifikatori,
Ciljevi učenja
- Steći opće razumijevanje pojma privatnosti.
- Razumjeti poteškoće i zamke u analizi privatnosti podataka i otkrivanju osobnih podataka.
- Razumjeti kompromis između anonimizacije i podatkovne korisnosti (bez besplatnog ručka).
- Razumjeti razliku između sigurnosti podataka i privatnosti podataka.
- Saznajte osnovna načela anonimne komunikacije i TVS-a.
- Razlučiti, istražiti i raspravljati o ključnim rizicima koje uvode modeli umjetne inteligencije i strojnog učenja
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Osnovna linearna algebra,
- Osnovno strojno učenje
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
Preporučeno nastavnicima
- Opća uredba o zaštiti podataka (GDPR)
- Osobni podaci
- Upit Revizija
- TOR
- Praćenje web-mjesta
- Izložen! Istraživanje napada na privatne podatke
- Diferencijalna privatnost
Nastavni materijali
Upute za učitelje
Ovo predavanje daje pregled privatnosti podataka. Usredotočuje se na različite probleme privatnosti praćenja weba, razmjene podataka i strojnog učenja, kao i na neke tehnike ublažavanja. Cilj je pružiti osnovno (tehničko) osnovno znanje potrebno za identifikaciju i zaštitu osobnih podataka. Tečaj rasvjetljava zašto je dobivanje društveno ili individualno korisnih informacija o ljudima izazovno bez otkrivanja osobnih podataka. Te vještine postaju obavezne za svakog inženjera podataka/softvera i službenika za zaštitu podataka koji se bavi osobnim i osjetljivim podacima, a zahtijeva se i europskom Općom uredbom o zaštiti podataka (GDPR).
Nacrt
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 20 | Što je privatnost? | Privatnost kao temeljno pravo. Povijest ili privatnost. Važnost privatnosti. Ilustracija curenja podataka; koliko ljudi izravno ili neizravno dijeli s njima? Zašto je privatnost problem? Važnost zakonodavstva i tehničkih rješenja (PETS). |
| 15 | Definicija osobnih, osjetljivih, povjerljivih podataka | Definicija i osobni podaci u GDPR-u. Izravni i neizravni identifikatori. Definicija identifibilnosti. Ilustrativni primjeri. Definiranje osjetljivih podataka u Općoj uredbi o zaštiti podataka, primjeri. Osobni i osjetljivi u odnosu na povjerljive podatke. |
| 20 | Ilustracija istjecanja osobnih podataka: Praćenje | Svrha praćenja. Praćenje weba, uzimanje otisaka prstiju preglednika, praćenje WiFi-ja, ultrazvučno praćenje, praćenje podzemlja kroz senzor barometra, zaključak o lokaciji iz korištenja baterije, jedinstvenost podataka o lokaciji |
| 20 | Psihološko profiliranje | Model oceana. Zaključak o OCEAN osobinama osobnosti iz osobnih podataka. Manipulacija kroz osobine ličnosti, političke oglase. Prijetnja psihološkom profiliranju, kognitivna sigurnost. |
| 20 | Anonimizacija | Vrste podataka, različite vrste zahtijevaju različite tehnike anonimizacije. Pseudo-anonimizacija, deanonimizacija, ponovna identifikacija. Kvazi-identifikatori, k-anonimnost. Generalizacija, suzbijanje, grupiranje kao opće tehnike anonimizacije k. Anonimizacija vs. korisnost. Nemogućnost anonimizacije bez gubitka korisnosti. Problemi k-anonimizacije (osnovno znanje, napad na raskrižje). Anonimizacija agregiranih podataka; zašto agregiranje ne sprječava ponovnu identifikaciju. Pretražujte reviziju. Revizija SUM upita o realnosti. Tvrdoća revizije upita. Upit perturbacija, Diferencijalna privatnost. |
| 20 | Anonimna komunikacija | Problem anonimne komunikacije. Pošiljatelj, anonimnost prijemnika, nepovezanost. Anonimiziranje opunomoćenika. Chaum MIX, mixnet. Tor, ilustracija TOR-a. Postavljanje kruga u TOR-u. Izlazne politike. Neki napadi protiv TOR-a. |
| 20 | Privatnost u umjetnoj inteligenciji | Glavni problemi s privatnošću u strojnom učenju; zaključak o članstvu, ekstrakcija modela, pravednost. Izvor problema pravednosti (pristranost u prikupljanju/označivanju podataka o osposobljavanju, odabir značajki, različita kulturološka tumačenja pravednosti). Zaštićene atribute. Pravednost kroz sljepoću, suvišne kodove (proxy atribute). |
| 5 | Zaključci | Zašto je privatnost važna? Zašto je nadzor problem? Zašto uvijek netko ima nešto za sakriti? Zašto je privatnost teška? Koje ovlasti ima službenik za zaštitu podataka? Zašto postoji potreba za službenicima za zaštitu podataka? |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.