Upravne informacije
| Naslov | Uvod v zasebnost podatkov |
| Trajanje | 135 min |
| Modul | B |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Etična – zaupanja vredna umetna inteligenca |
| Tema | Zasebnost podatkov |
Ključne besede
Zasebnost podatkov, tveganje za zasebnost, osebni podatki, občutljivi podatki, profiliranje, sledenje, anonimizacija, zasebnost v strojnem učenju, TOR, psevdonimizacija, neposredni in posredni identifikatorji,
Učni cilji
- Pridobite splošno razumevanje pojma zasebnosti.
- Razumeti težave in pasti analize zasebnosti podatkov in odkrivanja osebnih podatkov.
- Razumevanje kompromisa med anonimizacijo in uporabnostjo podatkov (brez brezplačnega kosila).
- Razumevanje razlike med varnostjo podatkov in zasebnostjo podatkov.
- Naučite se osnovnih načel anonimne komunikacije in TOR.
- Opredeliti, raziskati in razpravljati o ključnih tveganjih, ki jih uvajajo modeli umetne inteligence in strojnega učenja
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Osnovna linearna algebra,
- Osnovno strojno učenje
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
Priporočeno za učitelje
- Splošna uredba o varstvu podatkov (GDPR)
- Osebni podatki
- Revizija poizvedbe
- TOR
- Spletno sledenje
- Izpostavljeno! Raziskava o napadih na zasebne podatke
- Diferencialna zasebnost
Gradivo za učne ure
Navodila za učitelje
To predavanje ponuja pregled zasebnosti podatkov. Osredotoča se na različne težave z zasebnostjo spletnega sledenja, izmenjave podatkov in strojnega učenja, pa tudi na nekatere tehnike blaženja. Cilj je zagotoviti bistveno (tehnično) osnovno znanje, potrebno za prepoznavanje in varstvo osebnih podatkov. Tečaj pojasnjuje, zakaj je pridobivanje družbeno ali individualno koristnih informacij o ljudeh izziv, ne da bi razkrili osebne podatke. Ta znanja in spretnosti postajajo nujni za vsakega inženirja/programske opreme in pooblaščene osebe za varstvo podatkov, ki se ukvarja z osebnimi in občutljivimi podatki, zahteva pa jih tudi evropska splošna uredba o varstvu podatkov (GDPR).
Obris
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 20 | Kaj je zasebnost? | Zasebnost kot temeljna pravica. Zgodovina ali zasebnost. Pomen zasebnosti. Prikaz uhajanja podatkov; koliko ljudi delite z njimi neposredno ali posredno? Zakaj je zasebnost problem? Pomen zakonodaje in tehničnih rešitev (PETS). |
| 15 | Opredelitev osebnih, občutljivih, zaupnih podatkov | Opredelitev in osebni podatki v GDPR. Neposredni v primerjavi s posrednimi identifikatorji. Opredelitev identibilnosti. Ponazoritveni primeri. Opredelitev občutljivih podatkov v GDPR, primeri. Osebni vs občutljivi vs zaupni podatki. |
| 20 | Ilustracija uhajanja osebnih podatkov: Sledenje | Namen sledenja. Spletno sledenje, brskanje po prstnih odtisih, sledenje WiFi, ultrazvočno sledenje, sledenje podzemlja prek barometra, posledice lokacije iz uporabe baterije, edinstvenost podatkov o lokaciji |
| 20 | Psihološko profiliranje | Oceanski model. Sklepanje o osebnostnih lastnostih OCEAN iz osebnih podatkov. Manipulacija z osebnostnimi lastnostmi, političnimi oglasi. Grožnja psihološkega profiliranja, kognitivne varnosti. |
| 20 | Anonimizacija | Podatkovni tipi, različne vrste potrebujejo različne tehnike anonimizacije. Psevdo-anonimizacija, deanonimizacija, ponovna identifikacija. Kvaziidentifikatorji, k-anonimnost. Posploševanje, zatiranje, združevanje kot splošne tehnike k-anonimizacije. Anonimizacija vs. uporabnost. Nezmožnost anonimizacije brez izgube uporabnosti. Problemi k-anonimizacije (ozadje, presečni napad). Anonimizacija zbirnih podatkov; zakaj združevanje ne preprečuje ponovne identifikacije. Revizija poizvedbe. Revizija poizvedb SUM nad realnimi. Trdota preverjanja poizvedb. Motnje poizvedbe, diferencialna zasebnost. |
| 20 | Anonimna komunikacija | Problem anonimne komunikacije. Pošiljatelj, anonimnost sprejemnika, nepovezanost. Anonimizacija pooblaščenca. Chaum MIX, mixnet. Tor, ilustracija TOR. Nastavitev vezja v TOR. Politike izhoda. Nekaj napadov na TOR. |
| 20 | Zasebnost v umetni inteligenci | Glavne težave z zasebnostjo pri strojnem učenju; sklepanje o članstvu, ekstrakcija modela, poštenost. Vir težav s pravičnostjo (pristranskost pri zbiranju/označevanju podatkov o usposabljanju, izbira značilnosti, različne kulturne interpretacije pravičnosti). Zaščiteni atributi. Poštenost skozi slepoto, odvečno kodiranje (proksi atributi). |
| 5 | Sklepi | Zakaj je zasebnost pomembna? Zakaj je nadzor problem? Zakaj ima človek nekaj za skrivati? Zakaj je zasebnost težka? Kakšne pristojnosti ima pooblaščena oseba za varstvo podatkov? Zakaj so potrebne uradne osebe za varstvo podatkov? |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).