Un groupe d’universitaires a conçu un nouveau système connu sous le nom de « Privé » qui permet l’analyse vidéo d’une manière préservant la confidentialité pour lutter contre les problèmes de suivi invasif.
« Nous sommes actuellement à un stade où les caméras sont pratiquement omniprésentes. S’il y a une caméra à chaque coin de rue, à chaque endroit où vous allez, et si quelqu’un pouvait réellement traiter toutes ces vidéos dans l’ensemble, vous pouvez imaginer que cette entité construise un très chronologie précise du moment et de l’endroit où une personne est allée », Frank Cangialosi, l’auteur principal de l’étude et chercheur au Laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL), mentionné dans un rapport.
« Les gens s’inquiètent déjà de la confidentialité de l’emplacement avec le GPS – les données vidéo agrégées pourraient capturer non seulement votre historique de localisation, mais aussi les humeurs, les comportements et plus encore à chaque emplacement », a ajouté Cangialosi.
Privid est construit sur la base de confidentialité différentielleune technique statistique qui permet de collecter et de partager des informations agrégées sur les utilisateurs, tout en préservant la vie privée des individus.
Ceci est réalisé par ajouter du bruit aléatoire aux résultats pour prévenir les attaques de ré-identification. La quantité de bruit ajoutée est un compromis – ajouter plus de bruit rend les données plus anonymes, mais cela rend également les données moins utiles – et elle est déterminée par le budget de confidentialité, qui garantit que les résultats sont toujours précis et en même temps configuré suffisamment bas pour éviter les fuites de données.
Le cadre d’interrogation implique une approche appelée confidentialité basée sur la durée dans laquelle la vidéo cible est découpée temporellement en morceaux de même durée qui sont ensuite introduits séparément dans le module de traitement vidéo de l’analyste pour produire le résultat global « bruyant ».
L’idée sous-jacente est qu’en ajoutant des types de bruit spécialisés aux données ou aux méthodes d’analyse, cela peut empêcher les parties concernées d’identifier un individu tout en n’obscurcissant pas les conclusions sur les modèles sociétaux qui émergent lors de l’exécution d’analyses sur les entrées vidéo, telles que, par exemple, compter le nombre de personnes qui sont passées devant une caméra en une journée, ou calculer la vitesse moyenne des voitures observées.
Cela empêche également un acteur malveillant de distinguer des individus spécifiques et de déterminer leur présence (ou leur absence) dans les vidéos.
« En construisant Privid, nous ne préconisons pas l’augmentation de la surveillance et de l’analyse vidéo publiques. Au lieu de cela, nous observons qu’elle est déjà répandue et est motivée par de fortes incitations économiques et de sécurité publique », ont conclu les chercheurs.
« Par conséquent, il est indéniable que l’analyse de la vidéo publique se poursuivra, et il est donc primordial que nous fournissions des outils pour améliorer le paysage de la confidentialité pour de telles analyses. »