Anonymizer

​가치있는 데이터를 안전하게 획득하는 방법

오랫동안 해결되지 않은 균형:
데이터 사용가치 vs 프라이버시 보호

비식별화된 데이터의 사용은 문제가 되지 않습니다

유럽연합의 GDPR과 같은 프라이버시 보호법은 알아볼 수 있는 특정 개인을 식별해 낼 수 있는 데이터의 사용에 제한을 둡니다. 즉, 익명 데이터와 같은 비식별 데이터를 이용하는 것은 프라이버시 보호를 위한 규제의 대상이 되지 않습니다.

기존 기술들은 데이터의 활용가치를 저하시킵니다

기존의 비식별화 기술들은 데이터의 활용가치를 현저히 저하시킵니다. 개인정보를 찾아 이를 단순히 삭제하는 방식이기 때문에 머신러닝에 필요한 주요 속성들까지 지우게 되는 것입니다.

Anonymizer는 두 가지 모두 달성합니다
그리고 이것이 커다란 차이를 만들어냅니다

그렇다면 익명처리기가 다른 비식별처리 기술과 다른 점은 무엇일까요?

익명화 기능을 사용하면 기업이나 ML 개발자는 목적에 맞게 사용할 수 있는 데이터를 수집하는 동시에 개인정보 보호도 보장할 수 있습니다. 이는 데이터 유용성과 개인정보 보호 규정 준수를 모두 달성할 수 있는 유일한 방법입니다.

익명화는 개인 식별 정보(Personal Identifiable Information, PII)를 제거하면서도 원본과 동등한 데이터 품질을 유지합니다. 데이터가 익명화되면 사람에게는 보이지 않지만 AI에게는 보이므로 사용자는 다른 사람의 개인정보를 보호하면서 실제 ML 모델을 학습할 수 있습니다.

익명화 기능만이 가져올 수 있는 큰 변화는 원본 데이터를 사용하지 않고도 머신러닝 모델을 개발할 수 있다는 점입니다.

익명화가 만드는 혁신의 과정
원본 데이터의 사용 없이 새로운 머신러닝 모델 만들기

Step 1
원본 데이터를 익명화

Anonymizer는 사용자가 원하는 목적에 맞춤형으로 데이터를 익명화합니다. 예를 들어, 이미지에서 고양이를 인식하는 머신러닝 모델을 개발하고자 하는 사용자를 위해, 고양이 관련 주요 속성들 이외의 모든 개인 식별 정보는 알아볼 수 없도록 원본 데이터를 익명화하는 것입니다.

Step 2
새로운 머신러닝 모델 학습

사용자는 딥핑소스가 제공하는 익명 데이터를 활용하여, 원본 데이터로 학습하는 것과 매우 유사한 수준으로 새로운 모델 G​를 학습시킬 수 있습니다.

Step 3
실제 환경에서 모델 사용

익명 데이터로 학습된 모델 G는 새로운 원본 데이터가 수집되는 실제 환경에서 사용할 수 있습니다. 즉, 딥핑소스의 사용자는 원본이 아닌 익명 데이터를 활용하여 실제로 사용 가능한 머신러닝 모델을 개발할 수 있게 됩니다.

Contact Us

문의나 요청이 있으시면 아래 양식을 작성해주세요. 빠른 답변 드리겠습니다.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.