Privacy-Enhancing Technologies - PET (Công nghệ tăng cường quyền riêng tư) là một trong những nỗ lực của Facebook trong việc cải tiến cách thức hoạt động của hệ thống quảng cáo. Vậy PET là gì? Và nó được áp dụng cho quảng cáo như thế nào?
PET là gì?
PET hay công nghệ tăng cường quyền riêng tư là một hệ thống sử dụng các kỹ thuật thống kê và mật mã để cá nhân hóa quảng cáo và đo lường, trong khi giảm thiểu lượng dữ liệu được xử lý giúp bảo vệ thông tin cá nhân. Chúng có thể được sử dụng trong nhiều ngữ cảnh khác nhau, như theo dõi liên hệ Covid-19, xác định vị trí và gửi thanh toán điện tử,...
Facebook tin rằng PETs sẽ là công cụ hỗ trợ đắc lực cho thế hệ quảng cáo kỹ thuật số tiếp theo. Đây cũng là lý do Facebook quyết định đầu tư nhiều năm vào các nhà nghiên cứu, tổ chức toàn cầu và nhà phát triển để xây dựng các giải pháp và phương pháp tối ưu nhất.
Nội dung tiếp theo đây sẽ giải thích thêm về cách hoạt động của những công nghệ này.
PET và quảng cáo
PET liên quan đến các kỹ thuật tiên tiến được đúc rút từ lĩnh vực mật mã và thống kê. Những kỹ thuật này giúp giảm thiểu dữ liệu được xử lý trong khi vẫn duy trì chức năng quan trọng như đo lường và cá nhân hóa quảng cáo.
Hãy cùng xem xét kỹ hơn ba loại PET và cách chúng ta có thể sử dụng chúng để xây dựng các giải pháp đo lường hoặc cá nhân hóa quảng cáo trong tương lai:
Secure Multi-Party Computation (MPC)
MPC (Tính toán đa bên an toàn) cho phép hai hoặc nhiều tổ chức làm việc cùng nhau mà không để lộ thông tin của một trong các bên đó. Tất cả dữ liệu được mã hóa end-to-end: khi đang chuyển, đang lưu trữ và đang sử dụng, đảm bảo không bên nào có thể xem dữ liệu của bên kia.
MPC cực kỳ hiệu quả cho việc tăng cường và bảo mật quyền riêng tư trong khi tính toán kết quả từ nhiều bên, chẳng hạn như báo cáo kết quả của chiến dịch quảng cáo hoặc đào tạo mô hình học máy trong đó dữ liệu được giữ bởi hai hoặc nhiều bên.
Những loại báo cáo này thường yêu cầu ít nhất một bên phải biết những người cụ thể nào đã mua hàng sau khi xem một quảng cáo cụ thể. Với MPC, giả sử một bên có thông tin về người đã xem quảng cáo và bên khác có thông tin về người mua hàng. Áp dụng MPC và mã hóa giúp cả hai bên có thể tìm hiểu thông tin chi tiết về cách quảng cáo đang hoạt động mà không cần phải ủy thác cho một bên duy nhất cả hai tập dữ liệu.
Năm ngoái, một giải pháp có tên Private Lift Measurement đã bắt đầu được đưa vào thử nghiệm bằng cách sử dụng MPC để giúp advertisers hiểu được hiệu suất của quảng cáo.
On-Device Learning
On-Device Learning giúp tạo một thuật toán được xử lý ngay từ insight trên thiết bị mà không cần gửi dữ liệu riêng lẻ (như một mặt hàng đã mua hoặc địa chỉ email) tới máy chủ hoặc đám mây. Công nghệ này có thể giúp chúng ta tìm ra những cách mới để hiển thị cho người dùng những quảng cáo có liên quan mà không cần phải tìm hiểu về các hành động cụ thể mà cá nhân thực hiện trên các ứng dụng và trang web khác.
Ví dụ: nếu những người nhấp vào quảng cáo cho thiết bị tập thể dục đều có xu hướng mua protein shake (sinh tố protein), On-Device Learning có thể giúp xác định hướng hành động này mà không cần gửi dữ liệu riêng lẻ đến máy chủ Facebook hoặc đám mây. Sau đó, Facebook có thể sử dụng mô hình trên để nhắm mục tiêu đối tượng cho sản phẩm protein shake bằng cách sử dụng quảng cáo này.
Tương tự như tính năng tự động sửa hoặc dự đoán văn bản, On-Device Learning cũng sẽ dần cải thiện theo thời gian. Khi hàng triệu thiết bị thực hiện các cải tiến nhỏ và bắt đầu tạo nên các mẫu mới, những mẫu này có thể “đào tạo” nên một thuật toán thông minh hơn để bạn nhìn thấy nhiều quảng cáo phù hợp hoặc hạn chế những quảng cáo không mong muốn.
Dữ liệu On-Device Learning có thể được bảo mật hơn nữa bằng cách kết hợp nó với Differential Privacy (quyền riêng tư khác biệt).
Differential Privacy
Differential Privacy (Quyền riêng tư khác biệt) là một kỹ thuật thống kê có thể được sử dụng riêng hoặc áp dụng cho các công nghệ nâng cao quyền riêng tư khác, để thu thập và chia sẻ thông tin của người dùng nhưng vẫn đảm bảo quyền riêng tư cá nhân. Những dữ liệu này bao gồm dữ liệu ẩn danh và các thông tin có sẵn, công khai.
Differential Privacy hoạt động bằng cách đưa yếu tố gây “nhiễu” được tính toán cẩn thận vào một tập dữ liệu. Ví dụ: nếu có 118 người mua sản phẩm sau khi nhấp vào quảng cáo, một hệ thống Differential Privacy sẽ cộng hoặc trừ một số lượng ngẫu nhiên từ con số đó. Vì vậy, thay vì 118, người sử dụng hệ thống đó sẽ thấy một con số khác như 120 hoặc 114.
Thêm thông tin gây nhiễu vào dữ liệu khiến cho việc biết ai đã thực sự mua sản phẩm sau khi nhấp vào quảng cáo trở nên khó khăn hơn, ngay cả khi bạn có nhiều dữ liệu khác. Do đó, công nghệ này thường được sử dụng với các bộ dữ liệu lớn và được phát hành cho các nghiên cứu công khai.
Kết
Để đảm bảo quyền riêng tư trên toàn bộ ứng dụng, đồng thời giảm bớt dữ liệu được thu thập là một nỗ lực lâu dài. Đây mới chỉ là bước khởi đầu của Facebook trong cuộc đua bảo vệ quyền riêng tư của người dùng. Hãy cùng chờ đón những cải tiến và thành công của PET khi chúng được triển khai cho tất cả các nhà quảng cáo.
Lương Hạnh - MarketingAI
Theo Facebook
>> Có thể bạn quan tâm: Làm thế nào để tăng mức độ trải nghiệm người dùng trong OOH?
Bình luận của bạn