ด้วยการไม่ระบุชื่อแบบคลาสสิก เราบอกเป็นนัยถึงวิธีการทั้งหมดที่มีการจัดการหรือบิดเบือนชุดข้อมูลดั้งเดิมเพื่อขัดขวางการติดตามบุคคล
ตัวอย่างทั่วไปของการไม่เปิดเผยชื่อแบบคลาสสิกที่เราเห็นในทางปฏิบัติ ได้แก่ การวางนัยทั่วไป การปราบปราม / การลบ การระบุนามแฝง และการสับแถวและคอลัมน์
ต่อไปนี้เทคนิคเหล่านั้นพร้อมตัวอย่างที่สอดคล้องกัน
เทคนิค | ข้อมูลต้นฉบับ | ข้อมูลที่มีการจัดการ |
ลักษณะทั่วไป | ปี 27 เก่า | อายุระหว่าง 25 ถึง 30 ปี |
ปราบปราม / เช็ด | info@syntho.ai | xxxx@xxxxxx.xx |
นามแฝง | อัมสเตอร์ดัม | hVFD6td3jdHHj78ghdgreui6 |
การสับแถวและคอลัมน์ | ชิด | สับเปลี่ยน |
การจัดการชุดข้อมูลด้วยเทคนิคการปกปิดชื่อแบบคลาสสิกส่งผลให้เกิดข้อเสีย 2 ประการ:
เราแสดงให้เห็นถึงข้อเสียที่สำคัญ 2 ข้อ ได้แก่ ยูทิลิตี้ข้อมูลและการปกป้องความเป็นส่วนตัว เราทำเช่นนั้นด้วยภาพประกอบต่อไปนี้โดยใช้การปราบปรามและการวางนัยทั่วไป
หมายเหตุ: เราใช้รูปภาพเพื่อจุดประสงค์ในการอธิบาย หลักการเดียวกันนี้ใช้กับชุดข้อมูลที่มีโครงสร้าง
สิ่งนี้แนะนำการแลกเปลี่ยนระหว่างยูทิลิตี้ข้อมูลและการปกป้องความเป็นส่วนตัว ซึ่งเทคนิคการลบข้อมูลระบุตัวตนแบบคลาสสิกมักจะนำเสนอการผสมผสานที่ไม่เหมาะสมของทั้งสองอย่าง
ไม่ นี่เป็นความเข้าใจผิดครั้งใหญ่และไม่ส่งผลให้มีข้อมูลที่ไม่ระบุตัวตน คุณยังคงใช้วิธีนี้เพื่อทำให้ชุดข้อมูลของคุณไม่เปิดเผยตัวตนหรือไม่ บล็อกนี้เป็นสิ่งที่ต้องอ่านสำหรับคุณ
Syntho พัฒนาซอฟต์แวร์เพื่อสร้างชุดข้อมูลใหม่ทั้งหมดของการบันทึกข้อมูลใหม่ ข้อมูลเพื่อระบุตัวบุคคลจริงไม่มีอยู่ในชุดข้อมูลสังเคราะห์ เนื่องจากข้อมูลสังเคราะห์ประกอบด้วยบันทึกข้อมูลเทียมที่สร้างโดยซอฟต์แวร์ ข้อมูลส่วนบุคคลจึงไม่ปรากฏ ส่งผลให้สถานการณ์ไม่มีความเสี่ยงด้านความเป็นส่วนตัว
ความแตกต่างที่สำคัญที่ Syntho: เราใช้การเรียนรู้ของเครื่อง ด้วยเหตุนี้ โซลูชันของเราจึงสร้างโครงสร้างและคุณสมบัติของชุดข้อมูลดั้งเดิมในชุดข้อมูลสังเคราะห์ซึ่งส่งผลให้มียูทิลิตี้ข้อมูลสูงสุด ดังนั้น คุณจะสามารถได้ผลลัพธ์เดียวกันเมื่อวิเคราะห์ข้อมูลสังเคราะห์เมื่อเทียบกับการใช้ข้อมูลดั้งเดิม
กรณีศึกษานี้ สาธิตไฮไลท์จากรายงานคุณภาพของเราที่มีสถิติต่างๆ จากข้อมูลสังเคราะห์ที่สร้างผ่าน Syntho Engine ของเราเมื่อเปรียบเทียบกับข้อมูลดั้งเดิม
โดยสรุป ข้อมูลสังเคราะห์เป็นโซลูชันที่ต้องการเพื่อเอาชนะการแลกเปลี่ยนระหว่างยูทิลิตี้ข้อมูลและการปกป้องความเป็นส่วนตัว ซึ่งเทคนิคการลบข้อมูลระบุตัวตนแบบคลาสสิกทั้งหมดมอบให้คุณ
โดยสรุป จากมุมมองของยูทิลิตี้ข้อมูลและการปกป้องความเป็นส่วนตัว เราควรเลือกใช้ข้อมูลสังเคราะห์เสมอเมื่อกรณีการใช้งานของคุณอนุญาต
มูลค่าสำหรับการวิเคราะห์ | ความเสี่ยงด้านความเป็นส่วนตัว | |
ข้อมูลสังเคราะห์ | จุดสูง | ไม่มี |
ข้อมูลจริง (ส่วนตัว) | จุดสูง | จุดสูง |
ข้อมูลที่มีการจัดการ (ผ่าน 'การไม่ระบุชื่อ' แบบคลาสสิก) | ต่ำปานกลาง | กลางสูง |
ข้อมูลสังเคราะห์โดย Syntho เติมเต็มช่องว่างที่เทคนิคการลบข้อมูลระบุตัวตนแบบคลาสสิกขาดหายไปโดยการเพิ่มทั้งสองอย่างให้มากที่สุด ข้อมูลยูทิลิตี้ และ ความเป็นส่วนตัว-การป้องกัน.