Apple mempertaruhkan reputasi mereka untuk memastikan data yang dikumpulkan dari Anda tetap bersifat pribadi. Bagaimana? Dengan menggunakan sesuatu yang disebut "Privasi Diferensial".
Apa Itu Privasi Diferensial?
apel menjelaskannya seperti itu:
Apple menggunakan teknologi Privasi Diferensial untuk membantu menemukan pola penggunaan sejumlah besar pengguna tanpa mengorbankan privasi individu. Untuk mengaburkan identitas individu, Privasi Diferensial menambahkan gangguan matematika ke contoh kecil pola penggunaan individu. Karena semakin banyak orang berbagi pola yang sama, pola umum mulai muncul, yang dapat menginformasikan dan meningkatkan pengalaman pengguna.
Filosofi di balik Privasi Diferensial adalah ini: setiap pengguna yang perangkatnya, baik itu iPhone, iPad, atau Mac, menambahkan penghitungan ke kumpulan data agregat yang lebih besar (gambaran besar yang terbentuk dari berbagai gambar yang lebih kecil), tidak boleh diungkapkan sebagai sumbernya, apalagi data apa yang mereka kontribusikan.
Apple juga bukan satu-satunya perusahaan yang melakukan ini — baik Google maupun Microsoft telah menggunakannya lebih awal. Tetapi Apple mempopulerkannya dengan membicarakannya secara detail pada bagiannya Keynote WWDC 2016 .
Jadi, apa bedanya dengan data anonim lainnya, Anda bertanya? Nah, data yang dianonimkan masih bisa digunakan untuk menyimpulkan informasi pribadi jika Anda cukup mengenal seseorang.
Misalkan, peretas dapat mengakses database anonim yang mengungkapkan gaji perusahaan. Katakanlah mereka juga tahu bahwa Karyawan X pindah ke area lain. Peretas kemudian dapat dengan mudah menanyakan database sebelum dan sesudah Karyawan X pindah dan dengan mudah menyimpulkan penghasilannya.
Untuk melindungi informasi sensitif Karyawan X, Privasi Diferensial mengubah data dengan "gangguan" matematis dan teknik lain sedemikian rupa sehingga jika Anda menanyakan database, Anda hanya akan menerima perkiraan berapa banyak (atau siapa pun) yang dibayar Karyawan X.
Oleh karena itu, privasinya dijaga karena "perbedaan" antara data yang diberikan dan kebisingan yang ditambahkan ke dalamnya, sehingga cukup samar sehingga hampir tidak mungkin untuk mengetahui apakah data yang Anda lihat sebenarnya milik individu tertentu.
Bagaimana Cara Kerja Privasi Diferensial Apple?
Privasi Diferensial adalah konsep yang relatif baru , tetapi idenya adalah bahwa hal itu dapat memberikan wawasan yang tajam kepada perusahaan berdasarkan data dari penggunanya, tanpa mengetahui apa persis data tersebut mengatakan atau dari siapa asalnya.
Apple, misalnya, mengandalkan tiga komponen untuk membuat Privasi Diferensial berfungsi di perangkat Mac atau iOS Anda: hashing, subsampling, dan injeksi derau.
Hashing mengambil string teks dan mengubahnya menjadi nilai yang lebih pendek dengan panjang tetap dan menggabungkan kunci-kunci ini menjadi string acak yang tidak dapat dikembalikan dari karakter unik atau "hash". Ini mengaburkan data Anda sehingga perangkat tidak menyimpan apa pun dalam bentuk aslinya.
Subsampling berarti bahwa alih-alih mengumpulkan setiap kata yang diketik seseorang, Apple hanya akan menggunakan sampel yang lebih kecil. Misalnya, Anda memiliki percakapan teks yang panjang dengan teman secara bebas menggunakan emoji. Alih-alih mengumpulkan seluruh percakapan itu, subsampling mungkin hanya menggunakan bagian yang diminati Apple, seperti emoji.
Terakhir, perangkat Anda memasukkan noise, menambahkan data acak ke dalam kumpulan data asli untuk membuatnya lebih tidak jelas. Ini berarti bahwa Apple mendapatkan hasil yang sedikit disamarkan dan oleh karena itu kurang tepat.
Semua ini terjadi di perangkat Anda, jadi perangkat telah dipersingkat, dicampur, diambil sampelnya, dan diburamkan bahkan sebelum dikirim ke cloud untuk dianalisis oleh Apple.
Di Mana Kerahasiaan Diferensial Apple Digunakan?
Ada berbagai kasus di mana Apple mungkin ingin mengumpulkan data untuk meningkatkan aplikasi dan layanannya. Namun saat ini, Apple hanya menggunakan Privasi Diferensial di empat area tertentu.
- Ketika cukup banyak orang mengganti kata dengan emoji tertentu, itu akan menjadi saran untuk semua orang.
- Ketika kata-kata baru ditambahkan ke kamus lokal yang cukup untuk dianggap lumrah, Apple akan menambahkannya ke kamus semua orang juga.
- Anda dapat menggunakan istilah pencarian di Spotlight, dan kemudian akan memberikan saran aplikasi dan membuka tautan itu di aplikasi tersebut atau memungkinkan Anda untuk menginstalnya dari App Store. Misalnya, Anda menelusuri "Star Trek", yang menyarankan aplikasi IMDB. Semakin banyak orang membuka atau menginstal aplikasi IMDB, semakin banyak kemunculannya di hasil penelusuran semua orang.
- Ini akan memberikan hasil yang lebih akurat untuk Petunjuk Pencarian di Catatan. Misalnya, Anda memiliki catatan dengan kata "apel" di dalamnya. Anda melakukan pencarian pencarian dan memberikan Anda hasil tidak hanya untuk definisi kamus, tetapi juga situs web Apple, lokasi Apple Store, dan sebagainya. Agaknya, semakin banyak orang mengetuk hasil tertentu, semakin tinggi dan lebih sering hasil itu akan muncul di Pencarian untuk orang lain.
Mari gunakan emoji sebagai contoh. Di iOS 10, Apple memperkenalkan fitur pengganti emoji baru di iMessage. Ketik kata "cinta", dan Anda dapat menggantinya dengan emoji hati. ketik kata "anjing", dan — Anda dapat menebaknya — Anda dapat menggantinya dengan emoji anjing.
Demikian pula, iPhone Anda bisa saja memprediksi emoji apa yang Anda inginkan sehingga, jika Anda mengetik pesan "Saya akan mengajak anjing jalan-jalan", iPhone Anda akan menyarankan emoji anjing dengan sangat membantu.
Jadi, Apple mengambil semua bagian kecil dari data iMessage yang dikumpulkannya, memeriksanya secara keseluruhan, dan dapat menyimpulkan pola dari apa yang diketik orang dan dalam konteks apa. Artinya, iPhone Anda dapat memberi Anda pilihan yang lebih cerdas karena memanfaatkan semua percakapan teks yang dibuat orang lain dan berpikir, "ini mungkin emoji yang Anda inginkan."
Dibutuhkan Desa (Emoji)
Kelemahan dari Privasi Diferensial adalah tidak memberikan hasil yang akurat dalam sampel kecil. Kekuatannya terletak pada membuat data tertentu menjadi tidak jelas sehingga tidak dapat dikaitkan ke satu pengguna pun. Agar berfungsi dan berfungsi dengan baik, banyak pengguna harus berpartisipasi.
Ini seperti melihat foto yang di-bitmap dari dekat. Anda tidak akan dapat melihat apa itu jika Anda melihat hanya beberapa bagian, tetapi saat Anda melangkah mundur dan melihat semuanya, gambar menjadi lebih jelas dan lebih jelas, meskipun tidak super tinggi. resolusi.
Karenanya, untuk meningkatkan penggantian dan prediksi emoji (antara lain), Apple perlu mengumpulkan data iPhone dan Mac dari seluruh dunia untuk memberikan gambaran yang semakin jelas tentang apa yang dilakukan orang dan dengan demikian meningkatkan aplikasi dan layanannya. Ia beralih ke semua data acak, berisik, dan dikumpulkan dari banyak orang, dan menambangnya untuk pola — seperti berapa banyak pengguna yang menggunakan emoji persik sebagai pengganti "pantat".
Jadi, kekuatan Privasi Diferensial bergantung pada kemampuan Apple untuk memeriksa data agregat dalam jumlah besar, sambil memastikan bahwa tidak ada yang lebih bijaksana tentang siapa yang mengirimi mereka data itu.
Cara Menyisih dari Privasi Diferensial di iOS dan macOS
Namun, jika Anda masih belum yakin bahwa Privasi Diferensial tepat untuk Anda, Anda beruntung. Anda dapat menyisih langsung dari setelan perangkat Anda.
Di perangkat iOS Anda, ketuk buka "Pengaturan" dan kemudian "Privasi".
Pada layar Privasi, ketuk "Diagnostik & Penggunaan".
Terakhir, di layar Diagnostics & Usage, tap "Jangan Kirim".
Di macOS, buka System Preferences dan klik "Security & Privacy".
Di preferensi Keamanan & Privasi, klik tab "Privasi", lalu pastikan "Kirim data diagnostik & penggunaan ke Apple" tidak dicentang. Perhatikan bahwa Anda perlu mengklik ikon gembok di pojok kiri bawah dan memasukkan kata sandi sistem Anda sebelum Anda dapat membuat perubahan ini.
Jelas, ada lebih banyak hal tentang Privasi Diferensial , baik dalam teori dan aplikasi, daripada penjelasan yang disederhanakan ini. Daging dan kentangnya sangat bergantung pada beberapa matematika yang serius dan karena itu, itu bisa menjadi sangat berbobot dan rumit.
Namun, semoga ini memberi Anda gambaran tentang cara kerjanya dan bahwa Anda merasa lebih percaya diri tentang perusahaan yang mengumpulkan data tertentu tanpa takut teridentifikasi.
