Vous êtes très facile à retrouver, même lorsque vos données ont été anonymisées

Des visages floutés Getty

La traînée de données que nous laissons derrière nous grandit tout le temps. La plupart d'entre eux ne sont pas si intéressants - le repas à emporter que vous avez commandé, ce pommeau de douche que vous avez acheté en ligne - mais certains sont profondément personnels : vos diagnostics médicaux, votre orientation sexuelle ou vos dossiers fiscaux.

La façon la plus courante dont les organismes publics protègent nos identités est l'anonymat. Cela implique de supprimer les éléments clairement identifiables tels que les noms, les numéros de téléphone, les adresses e-mail, etc. Les ensembles de données sont également modifiés pour être moins précis, les colonnes des feuilles de calcul sont supprimées et du bruit est introduit dans les données. Les politiques de confidentialité nous rassurent sur le fait que cela signifie qu'il n'y a aucun risque que nous soyons retrouvés dans la base de données.

Cependant, une nouvelle étude en Communication Nature suggère que c'est loin d'être le cas.

Des chercheurs de l'Imperial College de Londres et de l'Université de Louvain ont créé un modèle d'apprentissage automatique qui estime exactement à quel point il est facile de se réidentifier à partir d'un ensemble de données anonymisées. Vous pouvez vérifier votre propre score ici , en saisissant votre code postal, votre sexe et votre date de naissance.

En moyenne, aux États-Unis, en utilisant ces trois enregistrements, vous pouvez être correctement localisé dans une base de données anonymisée 81 % du temps. Étant donné 15 attributs démographiques d'une personne vivant dans le Massachusetts, il y a 99,98% de chances que vous puissiez trouver cette personne dans n'importe quelle base de données anonymisée.

Au fur et à mesure que les informations s'accumulent, les chances que ce ne soit pas vous diminuent très rapidement, explique Yves-Alexandre de Montjoye, chercheur à l'Imperial College de Londres et l'un des auteurs de l'étude.

L'outil a été créé en assemblant une base de données de 210 ensembles de données différents provenant de cinq sources, y compris le recensement américain. Les chercheurs ont introduit ces données dans un modèle d'apprentissage automatique, qui a appris quelles combinaisons sont plus proches et lesquelles le sont moins, puis attribue la probabilité d'une identification correcte.

Ce n'est pas la première étude à montrer à quel point il est facile de retrouver des individus à partir de bases de données anonymisées. Un article en 2007 a montré que seules quelques classifications de films sur Netflix peuvent identifier une personne aussi facilement qu'un numéro de sécurité sociale, par exemple. Cependant, cela montre à quel point les pratiques d'anonymisation actuelles ont pris du retard sur notre capacité à les briser. Le fait que l'ensemble de données soit incomplet ne protège pas la vie privée des gens, dit de Montjoye.

Ce ne sont pas toutes de mauvaises nouvelles. Ces mêmes techniques de réidentification ont été utilisées par les journalistes travaillant au New York Times plus tôt cette année pour exposer les déclarations de revenus de Donald Trump de 1985 à 1994. Cependant, la même méthode pourrait être utilisée par quelqu'un qui cherche à commettre une fraude d'identité ou à obtenir des informations à des fins de chantage.

Le problème est que nous pensons que lorsque les données ont été rendues anonymes, elles sont sûres. Les organisations et les entreprises nous disent que c'est sûr, et cela prouve que ce n'est pas le cas, dit de Montjoye.

Pour avoir l'esprit tranquille, les entreprises devraient utiliser confidentialité différentielle , un modèle mathématique complexe qui permet aux organisations de partager des données agrégées sur les habitudes des utilisateurs tout en protégeant l'identité d'un individu, explique Charlie Cabot, responsable de la recherche au sein de la société d'ingénierie de la confidentialité Privé .

La technique subira son premier test majeur l'année prochaine : elle est utilisée pour sécuriser la base de données du recensement américain.

cacher