Vantaggi di una città doppelganger

Per alcuni che finora sono rimasti piuttosto indifferenti all'argomento, le grandi cifre citate sopra possono rappresentare un incubo di proporzioni orwelliane. Tuttavia, come ricercatore sulla mobilità nell'era dei big data, ci si abitua rapidamente a tali ordini di grandezza. Invece di evocare immediatamente la scomparsa della privacy, questi dati possono essere visti come un'opportunità: Ad esempio, per costruire modelli migliori con cui analizzare i problemi di mobilità. ? possibile utilizzare questi dati di tracciamento e allo stesso tempo proteggere la privacy delle persone.

Una corsa senza fine

Esistono diversi approcci per affrontare questo problema. Le aziende che commerciano i dati di localizzazione hanno dichiarato al New York Times di utilizzare sempre i dati in forma aggregata o anonimizzata. Nello specifico: o i dati vengono raggruppati in modo tale da non poter più distinguere le persone l'una dall'altra, oppure le informazioni identificative vengono "mascherate", cioè deliberatamente modificate.

Tuttavia, l'anonimizzazione dei dati di movimento delle persone non è così semplice.³. Quando vengono sviluppate nuove tecnologie di anonimizzazione e mascheramento, spesso è anche possibile sviluppare algoritmi di de-anonimizzazione che possono essere utilizzati per ricostruire le tracce delle singole persone. Ciò significa che non si può mai escludere che la mia privacy venga comunque violata a un certo punto nella corsa infinita tra la protezione dei dati e gli attacchi degli hacker.

I dati sintetici come alternativa

Nel nostro team del Future Cities Laboratory stiamo quindi ricercando alternative ai metodi convenzionali di mascheramento della posizione. Ci siamo chiesti: è possibile generare flussi di dati di localizzazione artificiali con la stessa risoluzione temporale e spaziale degli smartphone, ma senza riprodurre un reale percorso di movimento percorso da una persona?

In pratica, sono pochi i casi in cui è necessario accedere ai dati originali dettagliati di una persona specifica per analizzare i dati sulla mobilità. Spesso è altrettanto possibile lavorare con un set di dati deliberatamente modificato. Generiamo questi flussi di dati sintetici a partire dai dati grezzi, che vengono elaborati solo dal computer e rimangono invisibili all'utente.

I dati sintetici vengono creati in diverse fasi: I dati grezzi sulla posizione dei dispositivi mobili vengono trasmessi in modo sicuro e crittografato e riassunti in aggregati di dati in modo testato e certificato. Questi aggregati possono poi essere utilizzati per generare dati sintetici sulla mobilità che non differiscono dai dati reali in termini di proprietà statistiche. Nel nostro laboratorio, stiamo attualmente lavorando su due metodi diversi per realizzare questo obiettivo.^4,5.

Queste tecniche non sono solo un passo avanti nella protezione della privacy, ma ampliano anche il potenziale della modellazione del traffico: i dati sintetici possono essere inseriti nelle moderne simulazioni di mobilità. In questo modo è possibile creare un'intera "città sosia" in cui si possono studiare gli effetti delle decisioni politiche e testare le misure di traffico, senza che gli abitanti del mondo reale ne risentano.