В Массачусетском технологическом институте создали аналитическую систему обработки видеоданных, позволяющую поддерживать общественный порядок без навязчивой слежки. Продукт, получивший имя Privid, также помогает снизить риски в отношении злоупотреблений и утечки частных данных.
Подобную систему, по словам авторов проекта, можно использовать для мониторинга плотности транспортных и пеших потоков на дорогах, сбора статистики по ношению масок, оценки поведения покупателей в магазинах. К сожалению, в таких случаях приватность объектов наблюдения часто упускается из виду, в лучшем случае лица людей скрываются с помощью мозаики или дополнительного непрозрачного слоя.
Такой метод имеет свои недостатки: выявить соотношение театралов в масках и без, например, становится невозможным, к тому же система может ошибиться и оставить лицо неразмытым. Исследователей из MIT такое положение дел не устроило, поэтому они решили поискать альтернативу, способную гарантировать большую степень конфиденциальности материалам, получаемым с камер видеонаблюдения.
Система Privid построена на принципах дифференциальной приватности — методики, позволяющей собирать и расшаривать статистические данные без раскрытия информации, идентифицирующей личность (PII). Чтобы предотвратить деанонимизацию и утечки, продукт добавляет на выходе случайные данные в видеоматериалы. Этого шума совсем немного — ровно столько, сколько требуется для сохранения анонимности, в противном случае информация станет бесполезной.
Разработчики также предусмотрели дополнительный элемент случайности. Целевое видео разбивается на фрагменты одинаковой длительности, которые обрабатываются по отдельности, без вывода промежуточных результатов, а затем вновь соединяются.
Созданную в стенах MIT систему видеоаналитики можно использовать вместе с вошедшими в обиход глубокими нейросетями. Тестирование Privid на разных наборах данных и в различных сценариях показало точность на уровне 79-99% в сравнении с аналогами, не учитывающими приватность.
