El análisis de datos diferencialmente privados es un enfoque basado en principios que permite a las organizaciones aprender de la mayoría de sus datos y, al mismo tiempo, garantizar que esos resultados no permitan distinguir o volver a identificar los datos de ningún individuo. Este tipo de análisis se puede implementar en una amplia variedad de formas y para muchos propósitos diferentes. Por ejemplo, si es un investigador de la salud, es posible que desee comparar la cantidad promedio de tiempo que los pacientes permanecen ingresados ​​en varios hospitales para determinar si existen diferencias en la atención. La privacidad diferencial es un medio analítico de alta seguridad para garantizar que los casos de uso como este se aborden de manera que se preserve la privacidad.

Hoy, estamos lanzando la versión de código abierto de la biblioteca de privacidad diferencial que ayuda a impulsar algunos de los productos principales de Google. Para facilitar el uso de la biblioteca a los desarrolladores, nos centramos en funciones que pueden ser particularmente difíciles de ejecutar desde cero, como calcular automáticamente los límites de las contribuciones de los usuarios. Ahora está disponible gratuitamente para cualquier organización o desarrollador que desee utilizarlo.

Una mirada más profunda a la tecnología

Nuestra biblioteca de código abierto fue diseñada para satisfacer las necesidades de los desarrolladores. Además de ser de libre acceso, queríamos que fuera fácil de implementar y útil.

Estas son algunas de las características clave de la biblioteca:

• Funciones estadísticas: esta versión admite las operaciones de ciencia de datos más comunes. Los desarrolladores pueden calcular recuentos, sumas, promedios, medianas y percentiles utilizando nuestra biblioteca.
• Pruebas rigurosas: lograr la privacidad diferencial correcta es un desafío. Además de un extenso conjunto de pruebas, hemos incluido una 'biblioteca de Comprobador de modelos de privacidad diferencial estocástica' extensible para ayudar a prevenir errores.
• Listo para usar: la verdadera utilidad de una versión de código abierto es responder a la pregunta "¿Puedo usar esto?" Es por eso que hemos incluido una extensión de PostgreSQL junto con recetas comunes para que pueda comenzar. Hemos descrito los detalles de nuestro enfoque en un documento técnico que acabamos de publicar hoy.
• Modular: Diseñamos la biblioteca para que se pueda ampliar para incluir otras funcionalidades como mecanismos adicionales, funciones de agregación o gestión del presupuesto de privacidad.

Invertir en nuevas tecnologías de privacidad

Hemos impulsado la investigación y el desarrollo de técnicas prácticas, diferenciadas y privadas desde que lanzamos RAPPOR para ayudar a mejorar Chrome en 2014, y seguimos liderando su aplicación en el mundo real.

Hemos utilizado métodos diferenciados de privacidad para crear funciones útiles en nuestros productos, como qué tan ocupada está una empresa en el transcurso de un día o qué tan popular es el plato de un restaurante en particular en Google Maps, y mejorar Google Fi .

Este año, hemos anunciado varias tecnologías de privacidad de código abierto: Tensorflow Privacy , Tensorflow Federated , Private Join y Compute, y el lanzamiento de hoy se suma a esta lista en crecimiento. Estamos entusiasmados de hacer que esta biblioteca esté ampliamente disponible y esperamos que los desarrolladores consideren aprovecharla a medida que desarrollan sus estrategias integrales de privacidad de datos. Desde la medicina hasta el gobierno, las empresas y más allá, esperamos que estas herramientas de código abierto ayuden a generar conocimientos que beneficien a todos.