MOTIVACIÓN
En esta era digital, en la que el número de personas que utilizan diversos servicios y herramientas digitales es mayor que nunca, abundan las oportunidades de recopilar grandes cantidades de datos con fines estadísticos y para identificar patrones de comportamiento. Estos datos pueden ser utilizados para su posterior análisis y toma de decisiones por las partes interesadas de distintos sectores, como el comercio minorista, el transporte, la sanidad, los seguros, los medios de comunicación y el ocio, o sectores públicos como la investigación médica, las estadísticas demográficas, etc.
El uso de los grandes volúmenes disponibles de datos de los usuarios es muy limitado debido a la preocupación por la privacidad, razón por la cual los datos se mantienen aislados en islas del sistema, no disponibles para usos y procesamientos secundarios. Además, la práctica ha demostrado que, en muchos casos, se accede a los datos de forma indebida y se comparten con terceros, e incluso, cuando existe consentimiento para el tratamiento de los datos, los modelos de aprendizaje incorporan aproximaciones inexactas, sesgadas y a menudo injustas.
Por qué Harpócrates
El proyecto HARPOCRATES, se centra en sentar las bases de sistemas de evaluación digitalmente ciegos que, por su diseño, eliminarán elementos sustitutivos como la geografía, el sexo, la raza y otros, y que acabarán teniendo un impacto tangible en la construcción de sociedades más justas, democráticas e imparciales. Para ello, nos proponemos diseñar varios esquemas criptográficos prácticos (Cifrado Funcional y Cifrado Homomórfico Híbrido) para analizar los datos preservando la privacidad.
Además de procesar los datos estadísticos preservando la privacidad, también pretendemos hacer posible un enfoque más rico, equilibrado y completo en el que el análisis de datos y la criptografía vayan de la mano con un cambio hacia una mayor privacidad.
Privatizar bases de datos
En HARPOCRATES mostraremos primero cómo combinar eficazmente la criptografía con los principios de la privacidad diferencial para asegurar y privatizar las bases de datos.
Datos cifrados
A continuación, crearemos modelos de aprendizaje automático que preserven la privacidad y sean capaces de clasificar datos cifrados realizando predicciones de gran precisión directamente sobre textos cifrados en espacios de datos federados.
Intercambio de datos
Por último, para demostrar cómo responden estas soluciones a las necesidades de los usuarios, pondremos en práctica dos escenarios reales de intercambio transfronterizo de datos relacionados con el análisis de datos sanitarios para la medicina del sueño y la inteligencia sobre amenazas para las autoridades locales.
Ecosistema
Además, Harpocrates construirá un ecosistema aprovechando los ecosistemas y comunidades existentes, y minimizando así la cantidad de trabajo y recursos necesarios para contribuir a reforzar las capacidades de ciberseguridad y la soberanía de la UE en materia de tecnologías digitales.
Objetivos del proyecto
La disponibilidad de Big Data combinada con los avances en Inteligencia Artificial (IA) permiten amplias capacidades tanto a los agentes privados como a los públicos. Sin embargo, el intercambio de datos entre organizaciones y a nivel transfronterizo de acuerdo con el RGPD es cada vez más difícil, ya que la recopilación de datos personales granulares y multidimensionales se encuentra con capacidades mejoradas para cruzar conjuntos de datos.
HARPOCRATES aprovecha novedosos esquemas criptográficos para avanzar en las capacidades del Aprendizaje Automático con Preservación de la Privacidad (PPML) y el Aprendizaje Federado (FL), permitiendo así el entrenamiento descentralizado, la validación y la predicción sobre datos cifrados. Estos servicios de preservación de la privacidad y computación segura permiten a los usuarios beneficiarse de la inteligencia artificial basada en la nube y mantener el control sobre los datos.
HARPOCRATES permitirá demostrar sistemas de evaluación digitalmente ciegos en escenarios de aplicación práctica, ayudando a construir sociedades más justas, democráticas e imparciales.
Nuestros objetivos
Diseño de esquemas de cifrado funcional eficientes que ocultan funciones.
Combine la encriptación funcional y la privacidad diferencial para obtener bases de datos privadas encriptadas.
Diseño de un esquema práctico de cifrado homomórfico híbrido multicliente.
Construir un marco de aprendizaje automático que preserve la privacidad combinando el cifrado funcional y el cifrado homomórfico híbrido.
Esquema de aprendizaje federado robusto y bizantino con garantías de privacidad de los datos.
Estudios de casos reales y contribución a la ciencia abierta y la investigación reproducible.
Contribuir al cumplimiento automatizado y escalable del GDPR.