Publicado por Miguel Guevara, Product Supervisor, Oficina de Privacidad y Protección de Datos
A medida que se digitalizan más aspectos de nuestra vida diaria, crece la responsabilidad de la industria tecnológica de mantener seguros los datos personales. Es por eso que, durante la última década, hemos invertido en la investigación y el desarrollo de una variedad de tecnologías de mejora de la privacidad (PET) como el aprendizaje federado, la privacidad diferencial y el cifrado totalmente homomórfico que tienen el poder de analizar grandes conjuntos de datos de una manera privada demostrable. , respaldado por los más altos estándares técnicos.
Las PET aseguran que Google pueda brindar excelentes experiencias, como ayudarlo a encontrar los platos más populares de un restaurante u obtener mejores recomendaciones a medida que escribe un mensaje, todo mientras mantiene la información de nuestros usuarios anónima y protegida. Pero la adopción de estas tecnologías para la industria en normal ha sido históricamente un desafío debido a muchas barreras de entrada, incluida la necesidad de grandes recursos computacionales, la complejidad de administrar y el costo de implementación.
Es por eso que hace tres años nos propusimos ayudar a crear un ecosistema más seguro para todos los usuarios de Web al democratizando el acceso a estas tecnologías de privacidad para todos, y hemos hecho que muchos de nuestros PET estén disponibles gratuitamente a través de fuente abierta proyectos en los años posteriores.
Hoy compartimos varios desarrollos PET recientes de nuestro equipo de ingeniería que brindarán a la comunidad de desarrolladores más amplia (investigadores, gobiernos, organizaciones sin fines de lucro, empresas y más) nuevas formas de implementar y mejorar las funciones de privacidad en su propio trabajo.
La nueva herramienta de aprendizaje automático desenfoca los objetos de manera eficiente
Los PET abarcan una amplia gama de aplicaciones que pueden ayudar a los desarrolladores e investigadores a analizar datos sin revelar información private. También se pueden usar para ayudar a proteger la identidad y la seguridad de las personas en fotos y movies en línea a través del desenfoque de objetos, pero hacerlo de una manera eficiente que no interrumpa la experiencia del usuario puede ser un desafío debido a la intensidad computacional de los algoritmos.
Hoy, nos complace anunciar un fuente abierta versión de un proyecto interno, Magritte, que utiliza avances de Machine Studying (ML) para detectar objetos que utilizan pocos recursos computacionales, y aplica un desenfoque a esos objetos automáticamente, tan pronto como aparecen en la pantalla. La herramienta puede desenfocar objetos arbitrarios, como matrículas y más.
Este código es especialmente útil para los videoperiodistas que desean brindar mayores garantías de privacidad. Al usar este código de fuente abierta, los videógrafos pueden ahorrar tiempo al desenfocar objetos de un video, sabiendo que el algoritmo ML subyacente puede realizar la detección en un video con alta precisión.
Mejora del rendimiento del transpilador de cifrado totalmente homomórfico
El año pasado, nosotros publicado públicamente nuestro Transpiler de cifrado completamente homomórfico (FHE), una tecnología prometedora que permite a los desarrolladores realizar cálculos en datos cifrados sin poder acceder a información de identificación private.
Como parte de nuestro trabajo para expandir los casos de uso de FHE, recientemente introdujimos nuevas optimizaciones de circuito para nuestro transpilador que dan como resultado un menor costo y tiempo computacional, dos de los mayores desafíos. Nuestras estimaciones indican que el tamaño del circuito ha disminuido en un 50 %, lo que mejora la velocidad normal, y creemos que estas optimizaciones ayudarán en industrias como los servicios financieros, la atención médica y el gobierno, donde una garantía de seguridad sólida en torno al procesamiento de datos confidenciales es de suma importancia.
Además, Duality Applied sciences recientemente Anunciado la primera aplicación de producción de nuestro transpilador, que demuestra la aplicabilidad de FHE a problemas de propósito normal. Duality también integró un nuevo backend al transpiler que permite a los desarrolladores elegir más sistemas criptográficos para sus aplicaciones.
Cómo las innovaciones en privacidad pueden ayudar a resolver los desafíos globales
Hace solo una década, los PET se consideraban en gran medida como un ejercicio académico, con muchas concepts que aún no se habían probado. Con nuestra inversión dedicada y el trabajo de los equipos de ingeniería, ahora estamos aplicando estas novedosas técnicas de procesamiento de datos en muchos de nuestros productos. De hecho, los PET son una parte clave de nuestra Informática Protegida esfuerzo en Google, que es un conjunto de herramientas de tecnologías en crecimiento que transforma cómo, cuándo y dónde se procesan los datos para garantizar técnicamente su privacidad y seguridad.
Pero Google no está solo en este viaje. Las organizaciones y los gobiernos de todo el mundo están explorando el uso de PET para ayudar a abordar los desafíos sociales, como lo demuestran los gobiernos de EE. UU. y el Reino Unido. organizando un concurso este año para desarrollar soluciones de PET que aborden los delitos financieros y las emergencias de salud pública.
Por eso seguimos invirtiendo en democratizar el acceso a los PET que hemos desarrollado, sabiendo el poder que tienen para ayudar a los desarrolladores e investigadores a procesar y proteger de forma segura los datos de los usuarios. Como dijimos antes, creemos que todos los usuarios de Web en el mundo merecen una privacidad de clase mundial, y continuaremos asociándonos con organizaciones para promover ese objetivo. Estamos entusiasmados con las nuevas pruebas y los comentarios sobre nuestros PET de código abierto y esperamos lanzar más actualizaciones en 2023 y más allá.
