大数据科学中合成数据如何解决匿名化问题

大数据科学中合成数据如何解决匿名化问题，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

现在，随着GDPR的生效，企业在保护数据时必须格外小心。传统匿名通常不是真正的匿名，最终个人身份是可以识别的。对数据添加额外级别匿名化的一种方法是引入合成数据。

自欧盟范围内的数据监管规定GDPR于2018年5月生效以来，许多在欧盟有业务的企业可能会对其侵权处罚感到担忧，这可导致高达全球年营业额4%的罚款。

上个月，英国航空公司(British Airways)和万豪国际(Marriott  International)分别被处以令人咋舌的罚款(分别为1.83亿英镑和1亿英镑)，想必各大企业应该都知道数据泄露意味着什么。对于银行和金融机构等处理大量个人数据的大型企业来说，这尤其令人生畏。

我们都知道“数据是新的石油”这个说法，现代企业需要利用客户数据来更好地了解客户，同时训练人工智能和机器学习算法。但现在，为了避免数据泄露，许多企业都将自己的数据严格控制，并对谁能在何时获取这些数据制定了严格的程序。尽管这是数据隐私的一个积极趋势，但它仍然限制了组织的数据灵活性和创新能力。

传统匿名化的问题

聪明一点的企业现在正在寻找新的隐私增强技术，以便在数据效用和安全性之间取得平衡，有很多企业现在在“匿名”数据集上运行数据密集型流程(例如测试和数据分析)。

匿名化技术多种多样，但最常用的方法之一是一般化，即将数据点的特殊性(如客户的完整家庭地址)更改为更广泛的数据点(如客户的地区或城市)。通过牺牲数据集中一定程度的实用功能，确保数据集中的个人是匿名的、不可识别的。

匿名化变得如此流行的原因之一是，GDPR并不适用于匿名化的个人数据。但更令人担忧的是，最近的研究表明，目前使用的大量匿名化在掩盖一个人的身份方面效果很差。在绝大多数情况下，机器学习模型可以重新识别个人。

所以，实际上你并不需要个人的详细信息来识别他们。因此，传统的匿名化技术根本达不到要求。

复杂的合成数据

在综合数据集中，每个数据点都属于完全理论化的个体，有自己的名字、年龄、地址、银行账号、税务记录、医疗记录，以及数据分析所需的任何其他细节。从历史上看，这些数据的主要问题是很难生成足够高质量的合成数据，以满足高级数据科学的需要。

然而这些情况都会随着人工智能和机器学习的发展而改变。通过在“真实”数据上训练算法，我们现在可以生成保留原始数据所有底层统计信息的合成数据集，但个人或可识别信息为零。

一个简单的方法是通过Nvidia生成对抗网络(GANs)的方法，这是This Person Does Not  Exist网站背后所用的技术。该网站利用真实的名人面孔数据集来生成不存在的人的超现实图像。本质上，这是合成数据，每个人都有许多可以分析的属性(例如眼睛的颜色、头发的颜色、肤色)，但是这些数据不能被破坏，因为它们不属于真实的人。

如果将这项技术应用于客户数据，您就可拥有可以在整个数据科学团队中共享的数据，并用于各种建模，不需要过多的管理，也没有隐私风险。同时，您的“真实”客户数据可以存储在一个安全的服务器上，很少有人需要访问它。

写在最后

随着越来越多的企业希望采用综合数据策略，毫无疑问，所有行业都将产生连锁反应。  配备有必要的工具才能释放其数据潜力，组织将可以利用他们的客户数据，同时避免风险和承担责任。

有了数据科学和先进的机器学习以及各种各样的新技术，数据经济即将被重塑，数据创新的新时代即将到来。

社交媒体的出现给人工智能领域带来了巨大的飞跃，但很少有人关注数据的安全。现在，有了合成数据，我们可以沿着数据科学的道路继续前进。但这一次，在坚持规则的同时，也需要更谨慎地谨慎对待数据。

关于大数据科学中合成数据如何解决匿名化问题问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。