Om GDPR og Big Data til Tekna fagkveld
1 like614 views
Jeg fokuserer spesielt p奪 anonymisering og pseudonymisering. Samme problemstillinger gjelder for testdata og vedlikehold
More Related Content
Similar to Om GDPR og Big Data til Tekna fagkveld (20)
More from Simen Sommerfeldt (17)
Om GDPR og Big Data til Tekna fagkveld
- 2. Ingeni淡r fra University of Surrey Pappa til tre Rolle: CTO konsern Spesialitet: Kunstig intelligens, GDPR, tingenes internett Grunnlegger av L脱r Kidsa Koding! Grunnlegger av Oslo GDPR Meetup Simen Sommerfeldt (@sisomm)
- 3. Skandinavisk konsulentselskap 15 kontorer i Norge og Sverige 1200 ansatte Notert p奪 Oslo B淡rs IT Kommunikasjon Virksomhetsstyring
- 11. Gi meg GDPR- estimat for Big- data satsningen innen lunch
- 12. Vi kj淡per inn hva vi kan av data fra andre kilder, og bruker dem r奪tt for 奪 profilere folk, sende DM og forskjellsbehandle dem
- 16. Personopplysninger Anonymiserte personopplysninger Pseudonymiserte personopplysninger Tre kategorier
- 17. Noise addition (st淡y) Innf淡rer en viss feilmargin til feltene, .feks vekt 72-> vekt 74,6 Anonymisering
- 18. Substitution Verdier erstatter med helt andre verdier. F.eks kan h淡yde 172 byttes med bl奪, postnummer 3200 med elefant Kombineres ofte med 奪 tilf淡re st淡y Anonymisering
- 19. Aggregering: K-anonymity S淡rg for 奪 ha minst K forekomster av en verdi i rader som kan grupperes sammen (tid, sted, etc) Blank ut verdier i felter der dette ikke kan oppn奪s 4-anonymity: Det finnes minst 4 rader med samme forekomst av verdien p奪 laveste niv奪 En kan ogs奪 bruke generalisering: Alder: 23 blir til Alder: 20-30. Anonymisering
- 20. Aggregering: L-diversity Utvidelse: Der K-anonymity kan angripes med interferens-angrep S淡rg for at man har minst L forskjellige varianter i utvalget Anonymisering
- 21. Differential Privacy Innf淡r st淡y s奪 n脱rme som mulig innsamlingspunktet St淡yen har en gitt statistisk distribusjon Statistikk-beregningene tar vekk denne distribusjonen Brukes av bla. Apple i deres kart- og meldings- apper. Anonymisering
- 22. Hashing Identifiserende felter blir gruppert i b淡tter etter en formel b淡ttene gjenbrukes Pelle Hansen -> 01 Magda Paulsen > 02 Sverre Jensen -> 03 Simen Sommerfeldt -> 02 Pseudonymisering
- 23. Tokenization Vi bytter ut identifikatorer med nye, random verdier tokens Sammenhengen mellom identifikatoren og tokenet lagres separat Kan brukes til 奪 linke tilbake til den opprinnelige posten. Pseudonymisering
- 25. Companies should keep control of anonymized data. Enough datapoints can lead to de-anonymization Heidi Shey, 6th september 2017 SENIOR ANALYST, FORRESTER RESEARCH
- 26. Andre hensyn
- 27. AI/ML til beslutningsst淡tte og profilering Deep Learning og andre teknikker kan dra med seg fordommer (Bias) Tenk at brukeren skal f奪 mulighet til 奪 se beslutningsgrunnlaget og algoritmen Vurd辿r ogs奪 etikken i vurderingene Brukeren kan nekte automatiske beslutning hvis utfallet har store konsekvenser Sporing av hvor dataene kommer fra (Data Lineage)
- 28. Til slutt Kombinasjoner av ikke-sensitive data kan fort bli sensitive Mye arbeid rundt tilbaketrekking av samtykke ..og the right to be forgotten Kunden kan ogs奪 be om 奪 f奪 korrigert sine data endre dataflyten kan medf淡re mye arbeid Det kan fort l淡nne seg 奪 ha egne systemer for data management, f.eks. Sesam
- 30. Eva Jarbekk og jeg Holder GDPR-kurs hos Bouvet www.bouvet.no/kurs/kategorier/ personvern-og-gdpr
- 32. Noen lenker http://www.europarl.europa.eu/sides/getDoc.do?pubRef=-//EP//NONSGML+TA+P8- TA-2017-0076+0+DOC+PDF+V0//EN https://ico.org.uk/media/for-organisations/documents/2013559/big-data-ai-ml-and- data-protection.pdf http://www.datadan.io/hold-your-machine-learning-and-ai-models-accountable/ https://vision.cloudera.com/general-data-protection-regulation-gdpr-and-data- science/ https://ico.org.uk/for-organisations/data-protection-reform/overview-of-the- gdpr/individuals-rights/rights-related-to-automated-decision-making-and-profiling/ https://fpf.org/wp-content/uploads/2016/11/M-Hintze-GDPR-Through-the-De- Identification-Lens-31-Oct-2016-002.pdf