Facebooktwitterlinkedin

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.

Por supuesto, esta serie de medidas en aras de mejorar la experiencia de los usuarios y garantizar la seguridad y privacidad de sus datos, comprende un gran problema para el negocio de la publicidad. Ya que este se respalda primeramente en la recuperación de datos por parte de terceros. Por esta razón, Facebook, cuya principal fuente de ingresos son sus servicios de publicidad digital, ha decidido adoptar medidas para dejar de depender de servicios de terceros.

Qué son las PET

Cómo mencionamos las nuevas acciones tomadas dentro del mundo digital para mejorar el estado de la privacidad y la seguridad de los datos de los usuarios, supone un problema para los servicios de publicidad. Un claro ejemplo de ello es la situación presentada entre Facebook y Apple, a partir de los cambios hechos por la compañía de iPhone a sus términos de privacidad.

La empresa de Mark Zuckerberg siempre se ha visto envuelta en polémicas sobre el manejo de la información dentro de su plataforma. Pero en esta ocasión, el problema compete a todo el panorama digital, y además afecta directamente su modelo de negocio. Por tal razón, la red social ha optado por aplicar nuevas soluciones tecnológicas que le permitan continuar generando publicidad personalizada, sin comprometer las nuevas tendencias de seguridad y privacidad de los usuarios.

Como explica Graham Mudd, Vicepresidente de marketing de productos y anuncios en el blog de Facebook Business: «Dado que Apple y Google continúan realizando cambios a través de sus navegadores y sistemas operativos, y con el panorama cambiante de la normativa de privacidad, es importante reconocer que la publicidad digital debe evolucionar para depender menos de los datos individuales de terceros. Es por eso que hemos estado invirtiendo en un esfuerzo de varios años para crear una cartera de tecnologías que mejoren la privacidad y colaborar con la industria en estos y otros estándares que respaldarán esta próxima era».

De esta manera surgió la iniciativa de tecnología para la mejora de la privacidad de Facebook, PET por sus siglas en inglés. La misma comprende tres técnicas avanzadas, enfocadas en mantener los procesos de medición y personalización de anuncios reduciendo el procesamiento de datos, y eliminando la participación de terceras partes.

Tal y como explica la propia Facebook «los PET implican técnicas avanzadas extraídas de los campos de la criptografía y la estadística. Estas técnicas ayudan a minimizar los datos que se procesan y, al mismo tiempo, preservan la funcionalidad fundamental, como la medición y la personalización de anuncios. Creemos que los PET respaldarán la próxima generación de publicidad digital, por lo que estamos invirtiendo en un esfuerzo de varios años con académicos, organizaciones globales y desarrolladores para crear soluciones y mejores prácticas.»

1.Secure Multi-Party Computation (MPC)

La tecnología de computación multipartita segura, o MPC por sus siglas en inglés, se encuentra enfocada en el trabajo conjunto entre empresas. De tal manera, esta tecnología permite que las diferentes partes trabajando en un proyecto conjunto puedan tener acceso a la información necesaria para evaluar sus campañas y desempeño, de una manera limitada. Es decir, permite que la información sea manejada por cada parte de manera individual, gracias a un encriptado de extremo a extremo.

“La MPC es útil para mejorar la privacidad mientras se calculan los resultados de más de una parte, como por ejemplo para informar de los resultados de una campaña publicitaria o para entrenar un modelo de aprendizaje automático en el que los datos están en manos de dos o más partes. ”

De tal forma, cada parte podrá tener acceso a la información recuperada del rendimiento de sus campañas de anuncios. Esta tecnología ya había sido aplicada a una herramienta llamada Private Lift Measurement, o PLM. Esta ofrece a los anunciantes una ayuda para el entendimiento de su desempeño, en materia de campañas publicitarias. Los PLM habían iniciado un periodo de prueba beta el año pasado, y espera desplegarse para todos los usuarios durante el próximo año.

Por otra parte, Facebook también habilitó actualmente un marco privado de trabajo para que los desarrolladores puedan trabajar en nuevos productos a partir de MPC.

2. Aprendizaje en el dispositivo

El aprendizaje en el dispositivo, u On-Device Learning, consiste en un método para el procesamiento de datos dentro del dispositivo del usuario, sin necesidad de que la información llegue a servidores de terceros. Así, a través de la tecnología de aprendizaje esta herramienta puede ayudar a construir un algoritmo que identifique los patrones de compras o visitas de los usuarios, con lo cual podría crear un patrón predictivo para la visualización de anuncios de interés.

Esta tecnología funciona como las herramientas de texto predictivo o autocorrección, que van mejorando sus respuestas de acuerdo a la información recuperada. Por lo tanto, a medida que los usuarios vayan navegando, se encontrarían con anuncios más asertivos y relacionados con los intereses mostrados. Todo esto, sin tener que acceder a la información de las acciones realizadas por los usuarios en otros sitios web.

3. Privacidad Diferencial

Esta es una técnica más bien complementaria, dispuesta para ser usada de la mano de las otras integrantes de esta iniciativa. La misma consiste en proteger los datos ante una posible identificación, al agregar ruido en los resultados obtenidos. Es decir, esta técnica incorpora una serie determinada de ruido a un conjunto de datos, para que sea más complicada la identificación de los participantes.

Por ejemplo, si en los resultados presentados sobre el desempeño de un anuncio indica que fue clicado por unas 200 personas, esta tecnología podría arrojar un número ligeramente distinto. En este caso bien podría aumentar o disminuir la cantidad de sujetos estimados en los resultados, ofreciendo así una data verídica, pero con una ratio de ruido que permite encubrir la información de usuarios.