Un grupo de académicos ha diseñado un nuevo sistema conocido como “privado” que permite el análisis de video de una manera que preserva la privacidad para combatir las preocupaciones con el seguimiento invasivo.
“En este momento estamos en una etapa en la que las cámaras son prácticamente omnipresentes. Si hay una cámara en cada esquina de la calle, en cada lugar al que vas, y si alguien pudiera procesar todos esos videos en conjunto, puedes imaginar esa entidad construyendo una muy línea de tiempo precisa de cuándo y dónde ha ido una persona”, Frank Cangialosi, autor principal del estudio e investigador del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, dijo en una oracion.
“La gente ya está preocupada por la privacidad de la ubicación con GPS: los datos de video en conjunto podrían capturar no solo su historial de ubicaciones, sino también estados de ánimo, comportamientos y más en cada ubicación”, agregó Cangialosi.
Privid está construido sobre la base de privacidad diferenciala técnica estadística que hace posible recopilar y compartir información agregada sobre los usuarios, al tiempo que salvaguarda la privacidad individual.
Esto se logra por agregando ruido aleatorio a los resultados para evitar ataques de reidentificación. La cantidad de ruido agregado es una compensación: agregar más ruido hace que los datos sean más anónimos, pero también los hace menos útiles, y está determinado por el presupuesto de privacidad, lo que garantiza que los resultados sigan siendo precisos y al mismo tiempo. configurado lo suficientemente bajo como para evitar la fuga de datos.
El marco de consulta implica un enfoque llamado privacidad basada en la duración en el que el video de destino se corta temporalmente en fragmentos de la misma duración que luego se alimentan por separado en el módulo de procesamiento de video del analista para producir el resultado agregado “ruidoso”.
La idea subyacente es que al agregar tipos especializados de ruido a los datos o métodos de análisis, puede evitar que las partes relevantes identifiquen a un individuo y, al mismo tiempo, no oscurecer los hallazgos sobre los patrones sociales que surgen al realizar análisis en las entradas de video, como, por ejemplo, contar el número de personas que pasaron por una cámara en un día, o calcular la velocidad promedio de los autos observados.
Esto también evita que un actor malintencionado identifique a personas específicas y determine su presencia (o falta de ella) en los videos.
“Al construir Privid, no abogamos por el aumento de la videovigilancia y el análisis público. En cambio, observamos que ya prevalece y está impulsado por fuertes incentivos económicos y de seguridad pública”, concluyeron los investigadores.
“En consecuencia, es innegable que el análisis de video público continuará y, por lo tanto, es fundamental que proporcionemos herramientas para mejorar el panorama de la privacidad para dicho análisis”.
About the Author
