El proyecto PETs es la respuesta de Facebook a las mejoras que Apple introdujo con su sistema operativo iOS 14 y a los cambios que se avecinan en Google Chrome con FLoC (Learning of Cohorts) para el próximo año.
La preocupación por la seguridad y la privacidad en el ecosistema digital se ha vuelto más apremiante durante estos últimos tiempos. De tal manera lo hemos podido notar con las medidas tomadas por grandes empresas tecnológicas como Apple, o Google en cuanto a la recolección de datos por cookies de terceros.
No es de extrañar que Facebook tenga un gran interés en las tecnologías que mejoren la privacidad, pensando en el futuro, Facebook está invirtiendo en la investigación para apoyar el desarrollo de la tecnología de mejore la privacidad, a través de académicos, organizaciones mundiales y desarrolladores.
¿Qué es PETs?
El objetivo principal del proyecto PETs (Privacy-enhancing technologies) es minimizar la cantidad de datos procesados para ayudar a proteger la información personal.
Facebook ha declarado que el proyecto PETs se basa en criptografía y estadísticas que le permiten reducir la cantidad de datos procesados mientras preservan la privacidad, y al mismo tiempo devuelvan datos anónimos y así mejorar los resultados de los anunciantes.
La compañía ha descrito tres métodos que está probando y te lo explicaremos a continuación.
Computación multipartita segura (MPC)
La computación multipartita segura (MPC) permite que varias organizaciones trabajen juntas y compartan las ventajas de combinar sus datos para obtener resultados útiles manteniendo la privacidad de sus fuentes de datos.
El MPC es eficaz para aumentar la privacidad ya que permite que organizaciones procesen partes de sus datos y luego comparten conocimientos entre sí, como por ejemplo, para informar de los resultados de una campaña publicitaria o para entrenar un modelo de aprendizaje automático.
La compañía comenta que desde el año pasado, empezamos a probar una solución llamada Private Lift Measurement, que utiliza MPC para ayudar a los anunciantes a entender el rendimiento.
Aunque esperamos que Private Lift Measurement esté disponible para todos los anunciantes en el 2022 pero por ahora, es un framework open-source que cualquier desarrollador puede crear productos de medición centrados en la privacidad utilizando MPC.
Aprendizaje en el dispositivo
El aprendizaje en el dispositivo es tal como suena: Un seguimiento en el dispositivo que luego entrena un algoritmo sobre hábitos particulares y comportamientos futuros probables sin enviar datos personales.
Facebook pone el ejemplo de que si las personas que hacen clic en equipos de ejercicio también tienden a comprar batidos de proteínas, entonces el aprendizaje en el dispositivo detectaría esos patrones sin enviar esos datos individuales a la nube.
Esto suena algo similar a lo que Google Chrome está tratando de lograr con FLoC al mantener los datos de navegación dentro del navegador individual.
Esta tecnología podría ayudarnos a encontrar nuevas formas de mostrar a las personas anuncios relevantes, sin necesidad de conocer las acciones específicas que los individuos realizan en otras aplicaciones y sitios web.
Privacidad diferencial
Por último, pero no menos importante, la privacidad diferencial calcula el ruido de un conjunto de datos. Anonimiza los datos introduciendo pequeños cambios en ellos, para que sea más difícil saber exactamente quién realizó una acción concreta como quién compró realmente el producto después de hacer clic en el anuncio.
Garantizar la privacidad en todas nuestras aplicaciones al tiempo que reducimos los datos que recopilamos es un esfuerzo a largo plazo.
¿Cuándo podemos esperar ver cambios?
Facebook no dio un calendario exacto de cuándo se esperan los cambios, pero sí mencionó que la iniciativa es un esfuerzo de varios años. Es de suponer que empezarán a hacer pruebas dentro de ese plazo, pero es posible que los anunciantes no vean cambios importantes en un futuro inmediato.
