എങ്ങനെയാണ് Google ഡാറ്റയിൽ നിന്ന് വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കുന്നത്

വ്യക്തികളെ തിരിച്ചറിയാൻ കഴിയുന്ന വിവരങ്ങളെ നീക്കം ചെയ്യുകയോ പരിഷ്ക്കരിക്കുകയോ ചെയ്യുന്ന ഒരു ഡാറ്റാ പ്രോസസ്സിംഗ് സമ്പ്രദായമാണ് 'വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കൽ' (അനോണിമൈസേഷൻ); ഇതിന്റെ ഫലമായി, ഒരു വ്യക്തിയുമായും ഡാറ്റ ബന്ധപ്പെടുത്താൽ കഴിയാത്ത തരത്തിൽ ഡാറ്റയിൽ നിന്ന് വ്യക്തിവിവരങ്ങൾ നീക്കം ചെയ്യപ്പെടുന്നു. സ്വകാര്യതയോടുള്ള Google-ന്റെ പ്രതിജ്ഞാബദ്ധതയുടെ സുപ്രധാന ഘടകം കൂടിയാണിത്.

വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കിയ ഡാറ്റ വിശകലനം ചെയ്യുക വഴി, നൽകിയ തിരയൽ ചോദ്യത്തിന്റെ സ്വമേധയായുള്ള പൂരിപ്പിക്കൽ, ഫിഷിംഗ് സൈറ്റുകളും മാൽവെയർ സൈറ്റുകളും പോലെയുള്ള സുരക്ഷാ ഭീഷണികൾ കൂടുതൽ എളുപ്പത്തിൽ തിരിച്ചറിയൽ എന്നിങ്ങനെ സുരക്ഷിതവും മൂല്യമുള്ളതുമായ ഉൽപ്പന്നങ്ങളും ഫീച്ചറുകളും നിർമ്മിക്കാൻ ഞങ്ങൾക്കാവുന്നു, എന്നാൽ വ്യക്തിവിവരങ്ങൾ കർശനമായി പരിരക്ഷിച്ചുകൊണ്ടാണ് ഇതൊക്കെയും ചെയ്യുന്നത്, വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കിയ ഡാറ്റ കമ്പനിക്ക് പുറത്തേക്കും ഞങ്ങൾ സുരക്ഷിതമായി പങ്കിടാനാകും, ഞങ്ങളുടെ ഉപയോക്താക്കളുടെ സ്വകാര്യതയെ അപകടസാധ്യതയിലാക്കാതെ, ഡാറ്റ പ്രയോജനപ്പെടുത്തുവാൻ അങ്ങനെ മറ്റുള്ളവർക്ക് അവസരം ലഭിക്കുന്നു.

നിങ്ങളുടെ ഡാറ്റ പരിരക്ഷിക്കാൻ ഞങ്ങൾ ഉപയോഗിക്കുന്ന രണ്ട് സമ്പ്രദായങ്ങൾ

ഡാറ്റ സാമാന്യവൽക്കരിക്കൽ

ചില വ്യക്തികളോട് വളരെയെളുപ്പത്തിൽ ബന്ധിപ്പിക്കാവുന്ന ചില ഡാറ്റാ ഘടകങ്ങളുണ്ട്. ഈ വ്യക്തികളെ പരിരക്ഷിക്കുന്നതിന്, ഞങ്ങൾ 'സാമാന്യവൽക്കരണം' ഉപയോഗിക്കുന്നു. ഡാറ്റയുടെ ഒരു ഭാഗം നീക്കം ചെയ്യലോ ഡാറ്റയുടെ ചില ഭാഗങ്ങൾക്ക് പകരം പൊതുവായൊരു മൂല്യം ഉപയോഗിക്കലോ ആണ് ഈ സമ്പ്രദായം. എല്ലാ പ്രദേശ കോഡുകൾക്കോ ഫോൺ നമ്പറുകൾക്കോ പകരമായി, ഒരേ ആവൃത്തിയിലുള്ള നമ്പറുകൾ ഉപയോഗിക്കുന്നത് സാമാന്യവൽക്കരണത്തിന്റെ ഒരു ഉദാഹരണമാണ്.

'കെ-അനോണിമിറ്റി' കൈവരിക്കാൻ സാമാന്യവൽക്കരണം ഞങ്ങളെ അനുവദിക്കുന്നു. സമാന വ്യക്തികളുടെ ഒരു ഗ്രൂപ്പിലെ വ്യക്തികളുടെ വ്യക്തിവിവരങ്ങൾ മറയ്ക്കുന്നതിനുള്ള ഒരു സമ്പ്രദായത്തെ വിവരിക്കുന്നതിന് ഐടി വ്യവസായമേഖലയിൽ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതിക പദമാണ് 'കെ-അനോണിമിറ്റി'. 'കെ-അനോണിമിറ്റി'യിൽ 'കെ' എന്നത് ഗ്രൂപ്പിന്റെ വലുപ്പത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരു സംഖ്യയാണ്. ഡാറ്റാ സെറ്റിലെ ഏതെങ്കിലുമൊരു വ്യക്തിയെ എടുക്കുമ്പോൾ, ചുരുങ്ങിയത് കെ-1 വ്യക്തികൾക്ക് ഒരേ 'പ്രോപ്പർട്ടി'കളുണ്ടെങ്കിൽ, ആ ഡാറ്റാ സെറ്റുമായി ബന്ധപ്പെട്ട് 'കെ-അനോണിമിറ്റി' കൈവരിച്ചതായി കണക്കാക്കാം. ഉദാഹരണത്തിന്, ഒരു ഡാറ്റാ സെറ്റിൽ 50-ന് തുല്യമാണ് 'കെ' എന്ന് കരുതുക, പ്രോപ്പർട്ടി ഇവിടെ തപാൽ കോഡ് ആയിരിക്കും. അതിനാൽ, സിപ്പ് കോഡ് ഉപയോഗിച്ച് ഏതെങ്കിലും ഒരു വ്യക്തിയെ തിരിച്ചറിയാൻ ഞങ്ങൾക്ക് കഴിയില്ല എന്ന് സാരം.

ഒരു ഡാറ്റാ സെറ്റിലെ എല്ലാ വ്യക്തികളും ഒരു സെൻസിറ്റീവ് ആട്രിബ്യൂട്ടിന്റെ ഒരേ മൂല്യം പങ്കിടുന്നുവെങ്കിൽ, ഈ നിർദ്ദിഷ്ട ഡാറ്റാ സെറ്റിന്റെ ഭാഗമായ ഈ വ്യക്തികളെ തിരിച്ചറിയുക വഴി, സെൻസിറ്റീവ് വിവരം വെളിപ്പെട്ടേക്കാം. ഈ അപകടസാധ്യത ലഘൂകരിക്കുന്നതിന്, ഞങ്ങൾ 'എൽ-ഡൈവേഴ്സിറ്റി' പ്രയോജനപ്പെടുത്തിയേക്കാം. സെൻസിറ്റീവ് മൂല്യങ്ങളിലെ വൈവിധ്യത്തിന്റെ ചില നില വിവരിക്കുന്നതിന് ഐടി വ്യവസായമേഖലയിൽ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതിക പദമാണ് 'എൽ-ഡൈവേഴ്സിറ്റി'. ഉദാഹരണത്തിന്, ആളുകളുടെ ഒരു ഗ്രൂപ്പ്, ഒരേ സെൻസിറ്റീവ് ആരോഗ്യ വിഷയം (ഉദാഹരണം, പകർച്ചപ്പനിയുടെ രോഗലക്ഷണങ്ങൾ) ഒരേ സമയത്ത് തിരയുന്നുവെന്ന് കരുതുക. ഞങ്ങൾ ഈ ഡാറ്റാ സെറ്റ് പരിശോധിച്ചാലും, വിഷയം തിരഞ്ഞത് ആരാണെന്ന് ഞങ്ങൾ കണ്ടുപിടിക്കാനാവില്ല. 'കെ-അനോണിമിറ്റി'ക് സ്തുതി! എന്നിരുന്നാലും, സ്വകാര്യതയുമായി ബന്ധപ്പെട്ട് ഒരു ആശങ്കയ്ക്ക് വഴിയുണ്ട്, കാരണം എല്ലാവരും ഒരു സെൻസിറ്റീവ് ആട്രിബ്യൂട്ടാണ് പങ്കിടുന്നത് (അതായത് ചോദ്യത്തിന്റെ വിഷയം). 'എൽ-ഡൈവേഴ്സിറ്റി' അർത്ഥമാക്കുന്നത് വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കിയ ഡാറ്റാ സെറ്റിൽ പകർച്ചപ്പനി തിരയലുകൾ മാത്രമല്ല ഉണ്ടായിരിക്കുക എന്നാണ്. ഉപയോക്താവിന്റെ സ്വകാര്യതയെ കൂടുതൽ പരിരക്ഷിക്കാൻ, പകർച്ചപ്പനി തിരയലുകൾക്കൊപ്പം മറ്റ് തിരയലുകളും ഉൾപ്പെടുത്തപ്പെടാം.

ഡാറ്റയിലേക്ക് 'നോയ്‌സ്' ചേർക്കൽ

ഡാറ്റയിലേക്ക് 'മാത്തമാറ്റിക്കൽ നോയ്‌സ്' ചേർക്കുന്നതിനുള്ള ഒരു സങ്കേതത്തെയാണ് 'ഡിഫറൻഷ്യൽ പ്രൈവസി' (ഇതും ഐടി വ്യവസായമേഖലയിൽ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതിക പ്രയോഗമാണ്) വിവരിക്കുന്നത്. 'ഡിഫറൻഷ്യൽ പ്രൈവസി' ഉപയോഗിക്കുന്നതിനാൽ, ഏതെങ്കിലുമൊരു വ്യക്തി, ഒരു ഡാറ്റാ സെറ്റിന്റെ ഭാഗമാണോ എന്ന് നിശ്ചയിക്കുക ബുദ്ധിമുട്ടാണ്. കാരണം, ഏതെങ്കിലുമൊരു വ്യക്തിയുടെ വിവരങ്ങൾ ഉൾപ്പെടുത്തപ്പെട്ടിട്ടുണ്ടോ അല്ലെങ്കിൽ ഒഴിവാക്കിയിട്ടുണ്ടോ എന്ന കാര്യം പരിഗണിക്കാതെ, നൽകപ്പെട്ട അൽഗരിതത്തിന്റെ ഔട്ട്‌പുട്ട് അടിസ്ഥാനപരമായി ഒരേപോലെ കാണപ്പെടും. ഉദാഹരണത്തിന്, ഒരു ഭൂമിശാസ്ത്രപരമായ മേഖലയിൽ ഉടനീളം പകർച്ചപനിക്കായുള്ള തിരയലുകളിലെ മൊത്തത്തിലുള്ള ട്രെൻഡ് ഞങ്ങൾ അളക്കുകയാണെന്ന് കരുതുക. 'ഡിഫറൻഷ്യൽ പ്രൈവസി' കൈവരിക്കുന്നതിന്, ഞങ്ങൾ ഡാറ്റാ സെറ്റിലേക്ക് നോയ്‌സ് ചേർക്കുന്നു. ഇതിനർത്ഥം, നിശ്ചിത ചുറ്റുവട്ടത്തിൽ പകർച്ചപ്പനിക്കായി തിരയുന്ന ആളുകളുടെ എണ്ണം ഞങ്ങൾ കൂട്ടിയേക്കാമെന്നോ കുറച്ചേക്കാമെന്നോ ആണ്. എന്നാൽ, ഇങ്ങനെ ചെയ്യുന്നത്, കൂടുതൽ വിപുലമായ ഭൂമിശാസ്ത്രപരമായ മേഖലയിലുടനീളമുള്ള ട്രെൻഡ് ഞങ്ങൾ അളക്കുന്നതിനെ ബാധിക്കുകയില്ല. ഡാറ്റാ സെറ്റിലേക്ക് നോയ്‌സ് ചേർക്കുന്നത്, ഡാറ്റാ സെറ്റിനെ അത്രകണ്ട് പ്രയോജനപ്രദമാക്കില്ല എന്ന കാര്യം ശ്രദ്ധിക്കേണ്ടതും പ്രധാനമാണ്.

ഉപയോക്തൃ സ്വകാര്യതയോടുള്ള ഞങ്ങളുടെ പ്രതിജ്ഞാബദ്ധത പരിപാലിക്കുന്നതിന് ഞങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു പ്രക്രിയ മാത്രമാണ് വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കൽ. ഉപയോക്തൃ ഡാറ്റാ ആക്‌സസുമായി ബന്ധപ്പെട്ട കർശനമായ നിയന്ത്രണങ്ങൾ, ഉപയോക്താക്കളെ വ്യക്തിപരമായി തിരിച്ചറിയാൻ കഴിഞ്ഞേക്കാവുന്ന ഡാറ്റാ സെറ്റുകൾ യോജിപ്പിക്കുന്നതിനെ നിയന്ത്രിക്കുകയും പരിമിതപ്പെടുത്തുകയും ചെയ്യുന്ന നയങ്ങൾ, വ്യക്തിവിവരങ്ങൾ എടുത്തുനീക്കലിന്റെ കേന്ദ്രീകൃത അവലോകനം, Google-ൽ ഉടനീളം പരിരക്ഷയുടെ സ്ഥിരമായ നില ഉറപ്പാക്കുന്നതിനുള്ള ഡാറ്റാ നിയന്ത്രണ തന്ത്രങ്ങൾ എന്നിവയൊക്കെ മറ്റ് പ്രക്രിയകളിൽ ഉൾപ്പെടുന്നു.