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。

[[280014]]

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。