Data Privacy

Quyền riêng tư dữ liệu bao gồm các hướng dẫn, thực tiễn và biện pháp kỹ thuật được sử dụng để bảo vệ thông tin cá nhân của các cá nhân trong quá trình thu thập, xử lý và lưu trữ. Trong bối cảnh của Trí tuệ nhân tạo (AI) và Học máy (ML), khái niệm này rất quan trọng vì các thuật toán hiện đại thường yêu cầu lượng lớn dữ liệu huấn luyện để đạt độ chính xác cao. Đảm bảo rằng dữ liệu này không làm tổn hại đến tính bảo mật của người dùng hoặc vi phạm các quyền là yêu cầu nền tảng cho sự phát triển đạo đức. Các tổ chức phải điều hướng qua một bối cảnh quy định phức tạp, chẳng hạn như Quy định bảo vệ dữ liệu chung (GDPR) ở Châu Âu và Đạo luật quyền riêng tư của người tiêu dùng California (CCPA) tại Hoa Kỳ, để đảm bảo rằng các hệ thống AI của họ tuân thủ và đáng tin cậy.

Link to this sectionCác nguyên tắc cốt lõi trong phát triển AI#

Việc tích hợp quyền riêng tư vào vòng đời AI thường được gọi là "Quyền riêng tư ngay từ khâu thiết kế" (Privacy by Design). Cách tiếp cận này ảnh hưởng đến cách các kỹ sư xử lý tiền xử lý dữ liệu và kiến trúc model.

• Tối giản hóa dữ liệu: Các hệ thống chỉ nên thu thập các điểm dữ liệu cần thiết cho tác vụ đã xác định, giảm thiểu rủi ro liên quan đến việc lưu trữ quá mức Thông tin nhận dạng cá nhân (PII).
• Giới hạn mục đích: Dữ liệu thu thập cho một ứng dụng cụ thể, chẳng hạn như cải thiện hiệu quả sản xuất, không được phép tái sử dụng cho các phân tích không liên quan nếu không có sự đồng ý rõ ràng của người dùng.
• Ẩn danh hóa: Kỹ thuật này liên quan đến việc loại bỏ các định danh trực tiếp khỏi các tập dữ liệu. Các phương pháp nâng cao cho phép các nhà nghiên cứu thực hiện phân tích dữ liệu trên các xu hướng tổng hợp mà không cần truy xuất thông tin chi tiết về các cá nhân cụ thể.
• Tính minh bạch: Là một trụ cột chính của đạo đức AI, tính minh bạch yêu cầu các tổ chức phải thông báo rõ ràng về cách thức dữ liệu người dùng được sử dụng, từ đó thúc đẩy việc đưa ra quyết định sáng suốt.

Link to this sectionCác ứng dụng trong thực tế#

Bảo tồn quyền riêng tư là điều cần thiết trong các lĩnh vực nơi dữ liệu cá nhân nhạy cảm tương tác với tự động hóa tiên tiến và thị giác máy tính (CV).

Link to this sectionChẩn đoán y tế#

Trong lĩnh vực phân tích hình ảnh y tế, các bệnh viện sử dụng AI để hỗ trợ các bác sĩ chẩn đoán hình ảnh trong việc chẩn đoán các tình trạng bệnh từ X-quang và MRI. Tuy nhiên, những hình ảnh này được bảo vệ bởi các luật nghiêm ngặt như Đạo luật chuyển đổi và trách nhiệm bảo hiểm y tế (HIPAA). Trước khi huấn luyện một model cho các tác vụ như phát hiện khối u, siêu dữ liệu của bệnh nhân được làm sạch khỏi các tệp DICOM, cho phép các nhà nghiên cứu tận dụng AI trong chăm sóc sức khỏe mà không làm lộ danh tính bệnh nhân.

Link to this sectionĐô thị thông minh và giám sát#

Các sáng kiến quy hoạch đô thị ngày càng dựa vào phát hiện đối tượng để quản lý giao thông và an toàn công cộng. Để cân bằng giữa an ninh và tính ẩn danh cá nhân, các hệ thống có thể nhận diện người đi bộ và phương tiện trong thời gian thực và ngay lập tức áp dụng bộ lọc làm mờ cho khuôn mặt và biển số xe. Điều này đảm bảo rằng các sáng kiến đô thị thông minh tôn trọng quyền riêng tư của công dân ở nơi công cộng trong khi vẫn tổng hợp được dữ liệu luồng giao thông hữu ích.

Link to this sectionTriển khai kỹ thuật: Ẩn danh hóa theo thời gian thực#

Một cách triển khai kỹ thuật phổ biến cho quyền riêng tư trong thị giác máy tính là xóa bỏ các đối tượng nhạy cảm trong quá trình suy luận (inference). Ví dụ Python sau đây minh họa cách sử dụng model Ultralytics YOLO26 để phát hiện con người trong một hình ảnh và áp dụng làm mờ Gaussian cho các vùng được phát hiện.

import cv2
from ultralytics import YOLO

# Load the YOLO26 model (latest generation for efficiency)
model = YOLO("yolo26n.pt")
img = cv2.imread("street.jpg")

# Perform detection
results = model(img)

# Blur detected persons (class ID 0)
for box in results[0].boxes.data:
    if int(box[5]) == 0:  # Class 0 is 'person'
        x1, y1, x2, y2 = map(int, box[:4])
        # Apply Gaussian blur to the region of interest (ROI)
        img[y1:y2, x1:x2] = cv2.GaussianBlur(img[y1:y2, x1:x2], (51, 51), 0)

Link to this sectionPhân biệt quyền riêng tư dữ liệu với các thuật ngữ liên quan#

Mặc dù thường được thảo luận cùng nhau, việc phân biệt quyền riêng tư dữ liệu với các khái niệm tương tự trong bối cảnh Vận hành học máy (MLOps) là rất quan trọng.

• Quyền riêng tư dữ liệu và Bảo mật dữ liệu: Quyền riêng tư đề cập đến các quyền và chính sách quy định ai được phép truy cập dữ liệu và cho mục đích gì. Bảo mật đề cập đến các cơ chế kỹ thuật (như mã hóa và tường lửa) được sử dụng để bảo vệ dữ liệu đó khỏi sự truy cập trái phép hoặc các cuộc tấn công đối kháng. Bảo mật là một công cụ để đạt được quyền riêng tư.
• Quyền riêng tư dữ liệu và Quyền riêng tư vi phân: Quyền riêng tư dữ liệu là mục tiêu rộng lớn. Quyền riêng tư vi phân là một định nghĩa toán học và kỹ thuật cụ thể giúp thêm nhiễu thống kê vào tập dữ liệu. Điều này đảm bảo rằng đầu ra của một thuật toán không thể tiết lộ liệu dữ liệu của bất kỳ cá nhân cụ thể nào có được bao gồm trong đầu vào hay không, một kỹ thuật thường được các nhà nghiên cứu tại Viện Tiêu chuẩn và Kỹ thuật Quốc gia (NIST) khám phá.

Link to this sectionCác công nghệ mới nổi#

Để đáp ứng các nhu cầu về quyền riêng tư ngày càng tăng, các phương pháp luận mới đang định hình lại cách các model học tập.

• Học liên kết (Federated Learning): Cách tiếp cận phi tập trung này cho phép các model huấn luyện trên các thiết bị cục bộ (như điện thoại thông minh) và chỉ gửi các trọng số model đã học về máy chủ trung tâm, thay vì gửi dữ liệu thô.
• Dữ liệu tổng hợp (Synthetic Data): Bằng cách tạo ra các tập dữ liệu nhân tạo mô phỏng các thuộc tính thống kê của dữ liệu thực tế, các kỹ sư có thể huấn luyện các model mạnh mẽ mà không cần tiết lộ thông tin người dùng thực. Điều này giúp giảm thiểu độ chệch của tập dữ liệu và bảo vệ danh tính người dùng.

Đối với các nhóm muốn quản lý tập dữ liệu của mình một cách an toàn, Nền tảng Ultralytics cung cấp các công cụ để chú thích, huấn luyện và triển khai model trong khi vẫn tuân thủ các tiêu chuẩn quản trị dữ liệu hiện đại.