Bulan lalu program Networking and Information Technology Research and Development (NITRD) memperingati HUT ke-30 di Washington DC. Rekap acara selengkapnya bisa dibaca di di sini. Dalam upaya untuk menyoroti dampak investasi federal terhadap komunitas riset komputasi, acara tersebut menampilkan lima panel di mana para peserta mendiskusikan pencapaian utama di lapangan selama dekade terakhir dan arah masa depan ke depan. Setiap panel berfokus pada subarea penting dari penelitian komputer: Komputasi dalam Skala Besar, Jaringan dan Keamanan, Kecerdasan Buatan/Pembelajaran Mesin, Privasi dan Internet of Things, dan Komputasi yang Bertanggung Jawab Sosial.
Privasi telah menjadi topik pembicaraan yang besar tidak hanya di antara komunitas riset komputasi, tetapi juga di semua disiplin ilmu baik di dunia akademis maupun industri. Efek privasi yang merugikan yang berasal dari ketersediaan kumpulan data skala besar dikalikan dengan sensor, perangkat, dan aktuator yang saling berhubungan yang membentuk Internet of Things (IoT). Dimoderatori oleh Charles (“Chuck”) Romine (NIST) dan menampilkan pakar lapangan Ed Felten (Princeton), Marc Groman (Groman Consulting), Katerina Megas (NIST), dan Sunoo Park (Cornell), Panel 4: Privasi dan IoT membahas topik-topik penting seperti pertukaran antara penggunaan data dan privasi serta tujuan penelitian potensial untuk membantu mencapai solusi kebijakan yang efektif.
Romine memulai dengan menyoroti benang merah di semua panel: “berbicara tentang manfaat dan kemampuan luar biasa yang diberikan melalui investasi pendanaan federal, bersama dengan risiko terkait.” IoT tidak berbeda, ini memberi orang akses ke informasi yang tidak dapat diatasi, memungkinkan kampanye iklan yang sukses dan menyesuaikan teknologi dengan selera pribadi Anda, tetapi juga membahayakan privasi pengguna.
Seperti yang ditunjukkan Megas, “Alasan utama kami melakukan upaya ini adalah karena kami ingin dapat benar-benar melihat IoT diakui dan agar masyarakat dapat memetik manfaatnya.” Dia melanjutkan untuk berbagi potensi manfaat dan pentingnya dapat berbagi data di seluruh IoT. Ada skala perangkat "fenomenal" di IoT yang dapat digunakan untuk mengidentifikasi masalah di seluruh kumpulan data, mempelajari hal-hal yang memiliki potensi dampak tinggi bagi individu dan masyarakat, melatih teknologi Kecerdasan Buatan, dan memungkinkan perusahaan kecil yang inovatif untuk menguji perangkat mereka. Romine bertanya kepada panelis apa sebenarnya risiko privasi terkait dalam konteks IoT dan berbagi informasi ini.
Groman menjawab dengan terlebih dahulu menjelaskan interaksi antara privasi dan IoT. Sisi privasi IoT adalah bagian dari data dalam kumpulan yang lebih besar yang dikumpulkan, yaitu tentang atau berkaitan dengan orang. Apakah orang tahu bahwa data sedang dikumpulkan tentang mereka? Apakah ada antarmuka tempat Anda dapat berinteraksi dengan perangkat, mempelajari apa yang dikumpulkan atau mengubahnya? Apakah orang memahami informasi apa yang dikumpulkan atau kesimpulan apa yang dibuat oleh perangkat atau perusahaan dari data yang dikumpulkan? Karena struktur insentif moneter dan jumlah "besar" dari banyak perusahaan yang berdiri untuk memanfaatkan data tersebut, Groman mendesak orang untuk beralih ke kebijakan untuk solusi.
“Tujuannya di sini adalah untuk memaksimalkan manfaat dan meminimalkan kerugian. Kami tidak memiliki kerangka kebijakan, hukum atau peraturan di negara ini yang menghasilkan insentif untuk sampai ke sana” – Marc Groman
Melawan pendirian Groman, Romine bertanya kepada panel tentang potensi solusi teknologi.
Felten menyarankan agar kita mulai dengan berusaha untuk lebih memahami dan menerapkan kontrol informasi statistik dan membangun alat yang memungkinkan orang berinteraksi dengan data mereka dan mengurangi dampak negatif. Park, yang memiliki minat khusus pada alat privasi kriptografi menyebutkan beberapa cara kriptografi dapat membantu dalam hal ini.
“Kriptografi menyediakan perangkat untuk membangun sistem yang memiliki konfigurasi arus informasi dan mencakup kontrol akses yang lebih halus”. – Taman Sunoo
Salah satu alat dapat berupa bukti tanpa pengetahuan, yang memungkinkan sebagian data berbagi sambil menjaga aspek lain tetap rahasia dari entitas. Dia memberi contoh seorang penjaga yang memeriksa ID untuk masuk ke bar - melalui bukti tanpa pengetahuan Anda dapat membuktikan bahwa Anda berusia 21 tahun tanpa membagikan alamat atau tanggal lahir Anda yang juga tercantum di ID.
Park memperingatkan bahwa meskipun kriptografi menyediakan “ruang solusi yang lebih besar yang dapat kita gunakan untuk membangun privasi”, kriptografi tidak menjawab pertanyaan tentang hal-hal apa yang harus kita bangun menggunakan alat ini, atau bentuk informasi apa yang kita anggap pantas atau diinginkan untuk dibagikan. Itu adalah sesuatu yang harus kita kerjakan sebagai masyarakat dan masalah kebijakan.
Terakhir, panelis ditanya mengapa orang harus peduli. Bagaimana jika mereka tidak menyembunyikan apa pun? Menghasilkan tawa dari kerumunan, Felten bercanda bahwa setiap orang memiliki sesuatu untuk disembunyikan. Dalam catatan yang lebih serius, dia terus menyoroti potensi bahaya dalam pembuatan profil data.
“Orang-orang di luar sana sedang membangun model komprehensif tentang siapa Anda dan apa yang mungkin Anda lakukan.” – Ed Felten
Sudah menjadi pemikiran yang menakutkan, asumsi ini bisa salah dan terkadang membatasi peluang dan “kebebasan bertindak” di masa depan. Groman menunjukkan benang merah lain di seluruh diskusi panel – pentingnya menyadari bahwa beberapa komunitas terkena dampak secara tidak proporsional. Taruhannya bisa lebih tinggi untuk merahasiakan beberapa data apakah itu untuk orientasi seksual, jenis kelamin, ras, atau wanita atau anak-anak yang dilecehkan.
Selama sesi tanya jawab, mantan pembicara dari panel 3, Ben Zorn, mengulas kembali manfaat data yang digunakan untuk melatih AI. Dia bertanya tentang apa yang bisa dilakukan tentang informasi pribadi yang bocor melalui kumpulan data yang digunakan untuk melatih AI.
Felten menunjukkan bahwa kecuali Anda menggunakan metode yang ketat untuk secara sengaja menghentikan tetesan informasi, maka informasi akan mengalir. Itulah mengapa sangat penting untuk fokus dalam membangun metode yang ketat dan dapat dibuktikan dari hal-hal seperti pembelajaran mesin yang menjaga privasi dan antarmuka untuk mengontrol efek menetes ke bawah.
Megas menyimpulkannya dengan sempurna, bahwa pada akhirnya kami tidak dapat melatih semua orang, tetapi kami dapat menyediakan kerangka kerja yang memungkinkan mereka untuk berpikir tentang risiko dan memberi mereka alat untuk memberi mereka kendali lebih besar atas data mereka. Anda dapat menonton rekaman lengkap di halaman web CCC atau Saluran YouTube NITRD.
Nantikan blog terakhir dari seri ini, Panel 5: Bagaimana Teknologi Dapat Menguntungkan Masyarakat: Memperluas Perspektif dalam Riset Fundamental.
