【2020遴选政策理论】用户数据的使用与隐私保护：认知误区与规则界限(2)

2.智能化技术在数据的使用上是采用“去标识化”的处理，用以保护用户隐私

有学者提出，从数据生命周期来看，数据发布阶段的匿名发布技术，数据存储阶段的加密存储技术和审计技术，数据使用阶段的加密访问控制技术等不断完善。在技术上，通过隐私保护技术完成数据流通和数据处理，避免数据直接流通导致泄露用户隐私。近两年来，联邦学习技术(Federated Learning)作为一种新的分布式学习方法，共享模型参数更新，而不是客户端设备中的原始数据，也展现了强大的用户隐私保护能力。在《“抖音”隐私政策》中，关于隐私信息管理技术也规定，“使用不低于行业同行的加密技术、匿名化处理及相关合理可行的手段保护您的个人信息……采取严格的数据使用和访问制度，确保只有授权人员才可访问您的个人信息，并适时对数据和技术进行安全审计”。

3.从算法上看，智能算法模型是不可逆，因此是无法反推用户隐私信息的

根据匿名网民的评论，分布式机器学习不是传输数据，而是传输一个训练好的模型。“联邦学习的出现就是为了公司希望获得数据来训练模型，但是又不能泄露用户隐私，所以会在用户本地设备上进行一次学习，将学习好的简单模型上传至公司端，再对参数进行聚合等操作之后再来训练，得到一个较好的模型之后将模型参数传回去，对每个设备进行一次模型优化，以此迭代。”然而，也有网民提出，这也有可能涉及隐私问题，“通过训练完成的神经网络模型反推出训练数据中的敏感信息”，他者有可能利用模型的输出结果，通过参数、权重，来倒推某些训练数据中的敏感信息的可能性与结果。

然而，从总体来反向推断样本，所谓“AI的逆向推理和特征解码”，其实现的可能性有多大，可信度与效果究竟如何，依然未经过大量科学研究的正式检验。正如网友“琉璃”所说，“机器学习模型本质是一个统计信息的集合，这种推介算法模型只能提供群体的兴趣倾向性的统计信息。从模型反推原始数据极难，而且没多少意义”。

四、简要的结论

必须指出，个人隐私保护是必须的，但个人信息的合法使用也是智能化发展中所必须的。其中是否合理合法的界限是：个人信息的采集和使用必须履行知情同意的原则，并且不因个人信息的采集和使用而对相关个人的利益、形象及社会关系产生明确和实质性的负面影响。在此界限下，我们应以开放的态度迎接智能化时代的到来，并且提升我们对于智能化技术的理解，为中国互联网企业的发展营造良好舆论氛围和社会支持。

（编辑：liqingjian）