¿Qué son las tecnologías PET?: cómo maximizar el valor de los datos preservando la privacidad
¿Es posible sacar partido del ‘big
data’ sin que ello afecte a la privacidad de los usuarios? La respuesta
podría estar en las ‘Privacy-Enhancing Technologies’ o PET, una serie de
tecnologías que emplean distintos enfoques computacionales y
matemáticos con un mismo fin: extraer el valor de los datos para
desencadenar todo su potencial comercial, científico y social, sin poner
en riesgo la privacidad y seguridad de la información.
Para que un asistente virtual, como Siri o Alexa, aprenda a
reconocer la voz de su dueño, cada dato que sea capaz de analizar será
de gran utilidad para anticiparse a las necesidades del usuario y ofrecer respuestas personalizadas gracias al ‘machine learning’. Aunque esto puede tener un precio: la privacidad de los individuos, que nutren al sistema con sus datos para hacerlo cada vez más inteligente.
No hay que ir muy lejos para encontrar más ejemplos ilustrativos de
este problema. Desde la conducción autónoma, hasta el mundo de la salud o
la industria energética, la misma situación podría aplicarse a innumerables escenarios en los que el análisis avanzado de datos tiene grandes ventajas (para usuarios, instituciones y la sociedad en su conjunto), pero al mismo tiempo, abre nuevos escenarios en los que se ponen en riesgo la privacidad, anonimato y seguridad de los datos.
“Esta situación está derivando en una creciente preocupación por parte del público general y una presión regulatoria cada vez más estricta, que limita lo que empresas e instituciones pueden hacer con el ‘big data’”, explica Iván Moreno, responsable de Investigación y Desarrollo en BBVA New Digital Businesses (NDB). Ante esta situación, este área lleva tiempo investigando una serie de técnicas criptográficas que permiten que los datos puedan ser analizados y compartidos sin exponer su contenido a terceros. Son las denominadas PET, por sus siglas ‘Privacy-Enhancing Technologies’, o técnicas de mejora de la privacidad, recogidas bajo esta nomenclatura en un reciente informe del Foro Económico Mundial, donde se analizaba su papel en el sector financiero.
Sus aplicaciones prácticas están limitadas al volumen de datos, ya que tan solo puede usarse para operar con cantidades limitadas de información.
Su uso ya está extendido en empresas como Google y Facebook, y está presente en productos como la herramienta de ‘machine learning’ Tensor Flow, que permite entrenar modelos con datos cifrados de terceros. Para ello, las empresas comparten sus datos cifrados con un tercero, que los analiza y devuelve los resultados del análisis sin comprometer para ello la privacidad del contenido.
Uno de los campos en los que tiene una aplicación más clara es el ámbito de la salud. “Ya existen proyectos para la mejora del diagnóstico a partir de análisis de imagen que emplean esta tecnología, de forma que los sistemas puedan aprender pero no se expongan los datos privados de los pacientes”, añade Moreno.
La tecnología, en la que ya están investigando grandes empresas como Google, también podría servir, por ejemplo, para entrenar los sistemas inteligentes de asistentes virtuales mediante la recolección de datos ‘in situ’ de los distintos dispositivos conectados a una red de aprendizaje colaborativo, pero de manera que estos datos no salen en ningún momento del dispositivo en el que se generan. “Lo único que se comparte son los nuevos datos creados en el entrenamiento del modelo, que sirven para alimentar el sistema de aprendizaje, pero que no contienen ningún tipo de información privada de los usuarios”, añade el investigador de NDB.
Sus aplicaciones son numerosas para la creación de oportunidades en el sector bancario o el de seguros, en los que podría facilitar el acceso a productos o servicios para los que se requiere información privada de los clientes, pero logrando que éstos no expongan sus datos.
“Desde NDB hemos explorado la posibilidad de utilizar esta técnica conjuntamente con el aprendizaje federado, de manera que distintas empresas u organizaciones puedan sacar beneficio de modelos de aprendizaje colaborativos sin poner en riesgo la privacidad de los datos con los que se trabaja”, explica Moreno.
Esto podría incluir datos de todo tipo, y no necesariamente personales; por ejemplo, procedentes del uso de tarjetas para crear modelos de mejora de la detección del fraude o del funcionamiento de servicios ‘online’ para mejoras de ciberseguridad. “Cuantas más entidades contribuyan con sus datos para entender todos los tipos de fraude que existen, mejores modelos podrán crearse de manera colectiva para detectarlo”, explica Moreno. De esta forma, gracias a estos nuevos modelos colaborativos también podrían crearse mecanismos para que las compañías u organizaciones obtengan beneficios a cambio de la extracción de valor de distintos conjuntos de datos.
A su vez, este tipo de nuevos enfoques presentan retos, que se han analizado exhaustivamente desde NDB. “Sería necesario crear sistemas para determinar cuánto contribuye cada una de las organizaciones a los modelos de aprendizaje en función de qué datos proporciona cada uno pero, una vez más, sin revelar el contenido de los datos en sí”, apunta.
Hoy en día la capacidad de las máquinas para aprender está presente en muchos aspectos de la vida cotidiana. El ‘machine learning’
está detrás de las recomendaciones de películas en plataformas
digitales, la capacidad para reconocer el habla de los asistentes
virtuales o la de los coches autónomos para ver la carretera. Pero su
origen como rama de la inteligencia artificial se remonta a varias
décadas atrás. Entonces, ¿por qué ahora es tan importante esta
tecnología y qué la hace tan revolucionaria?
“Esta situación está derivando en una creciente preocupación por parte del público general y una presión regulatoria cada vez más estricta, que limita lo que empresas e instituciones pueden hacer con el ‘big data’”, explica Iván Moreno, responsable de Investigación y Desarrollo en BBVA New Digital Businesses (NDB). Ante esta situación, este área lleva tiempo investigando una serie de técnicas criptográficas que permiten que los datos puedan ser analizados y compartidos sin exponer su contenido a terceros. Son las denominadas PET, por sus siglas ‘Privacy-Enhancing Technologies’, o técnicas de mejora de la privacidad, recogidas bajo esta nomenclatura en un reciente informe del Foro Económico Mundial, donde se analizaba su papel en el sector financiero.
¿Cómo funcionan?
En concreto, las tecnologías englobadas bajo esta denominación, y en las que el área de NDB está investigando aplicaciones para el sector financiero, son:- Cifrado homomórfico (‘homomorphic encryption’)
Sus aplicaciones prácticas están limitadas al volumen de datos, ya que tan solo puede usarse para operar con cantidades limitadas de información.
- Cálculo seguro de múltiple parte (‘secure multi-party computation’)
Su uso ya está extendido en empresas como Google y Facebook, y está presente en productos como la herramienta de ‘machine learning’ Tensor Flow, que permite entrenar modelos con datos cifrados de terceros. Para ello, las empresas comparten sus datos cifrados con un tercero, que los analiza y devuelve los resultados del análisis sin comprometer para ello la privacidad del contenido.
Uno de los campos en los que tiene una aplicación más clara es el ámbito de la salud. “Ya existen proyectos para la mejora del diagnóstico a partir de análisis de imagen que emplean esta tecnología, de forma que los sistemas puedan aprender pero no se expongan los datos privados de los pacientes”, añade Moreno.
- Análisis federado (‘federated learning’)
La tecnología, en la que ya están investigando grandes empresas como Google, también podría servir, por ejemplo, para entrenar los sistemas inteligentes de asistentes virtuales mediante la recolección de datos ‘in situ’ de los distintos dispositivos conectados a una red de aprendizaje colaborativo, pero de manera que estos datos no salen en ningún momento del dispositivo en el que se generan. “Lo único que se comparte son los nuevos datos creados en el entrenamiento del modelo, que sirven para alimentar el sistema de aprendizaje, pero que no contienen ningún tipo de información privada de los usuarios”, añade el investigador de NDB.
- Pruebas de conocimiento cero (‘zero-knowledge proofs’)
Sus aplicaciones son numerosas para la creación de oportunidades en el sector bancario o el de seguros, en los que podría facilitar el acceso a productos o servicios para los que se requiere información privada de los clientes, pero logrando que éstos no expongan sus datos.
- Privacidad diferencial (‘differential privacy’)
“Desde NDB hemos explorado la posibilidad de utilizar esta técnica conjuntamente con el aprendizaje federado, de manera que distintas empresas u organizaciones puedan sacar beneficio de modelos de aprendizaje colaborativos sin poner en riesgo la privacidad de los datos con los que se trabaja”, explica Moreno.
Nuevas oportunidades y caminos inexplorados
El área de NDB cuenta con distintas líneas de investigación para explorar y realizar pruebas con estas tecnologías, especialmente con el aprendizaje federado, por su potencial para crear nuevos modelos de negocio que formen parte de una “nueva economía basada en datos, –en combinación con otras tecnologías como la inteligencia artificial y el internet de las cosas– que a día de hoy se enfrentan a grandes retos para desarrollar su verdadero potencial, en gran parte por las actuales restricciones regulatorias, sobre todo en el ámbito de la privacidad”, añade el investigador.Gracias a nuevas combinaciones de datos podríamos averiguar cosas que ni siquiera habíamos imaginado que fueran posiblesUna de las vías más interesantes que se ha explorado, a través de distintas pruebas de concepto, ha sido la creación de modelos de aprendizaje colaborativo en los que varias empresas u organizaciones, incluso de distintos sectores, pueden contribuir con sus respectivos datos para aplicar sobre ellos modelos de ‘machine learning’ sin vulnerar su privacidad. “De esta forma podemos averiguar cosas que ni siquiera habíamos imaginado que fueran posibles, gracias a nuevas combinaciones de datos de distintos sectores y ámbitos”, añade.
Esto podría incluir datos de todo tipo, y no necesariamente personales; por ejemplo, procedentes del uso de tarjetas para crear modelos de mejora de la detección del fraude o del funcionamiento de servicios ‘online’ para mejoras de ciberseguridad. “Cuantas más entidades contribuyan con sus datos para entender todos los tipos de fraude que existen, mejores modelos podrán crearse de manera colectiva para detectarlo”, explica Moreno. De esta forma, gracias a estos nuevos modelos colaborativos también podrían crearse mecanismos para que las compañías u organizaciones obtengan beneficios a cambio de la extracción de valor de distintos conjuntos de datos.
A su vez, este tipo de nuevos enfoques presentan retos, que se han analizado exhaustivamente desde NDB. “Sería necesario crear sistemas para determinar cuánto contribuye cada una de las organizaciones a los modelos de aprendizaje en función de qué datos proporciona cada uno pero, una vez más, sin revelar el contenido de los datos en sí”, apunta.
Otras historias interesantes
El pasado viernes 31 de enero, BBVA presentó sus resultados correspondientes a 2019.
El beneficio atribuido del cuarto trimestre del año, excluyendo el
impacto del deterioro del fondo de comercio de EE.UU., se situó un 10%
por encima de las previsiones del consenso de analistas, gracias a una
mayor contribución del margen de intereses y del resultado de
operaciones financieras (ROF). Por áreas geográficas, destaca la buena
evolución de España, México y Turquía.
Innovación
Radiografía de los pagos digitales: ¿cómo están evolucionando en distintas partes del mundo?
Pagos por el móvil en Europa,
códigos QR en América Latina o ‘superapps’ en Asia. Son algunas de las
tendencias que están ganando más tracción en el ámbito de los pagos
digitales en las distintas regiones del planeta. Repasamos cuáles son
las iniciativas que tienen más impacto en cada lugar.
Banca móvil 05 feb 2020
BBVA duplica el número de clientes digitales y triplica el de clientes móviles en solo cuatro años
La semana pasada, en el marco del anuncio de las nuevas prioridades estratégicas
que BBVA ha definido para seguir avanzando en hacer realidad su
propósito corporativo, la entidad compartió algunos datos actualizados
sobre su transformación digital.
La estrategia de desarrollo digital por la que BBVA apostó
hace ya varios años está contribuyendo a los fuertes índices de
crecimiento que está registrando en su base de clientes.
Así, por ejemplo, en los últimos cuatro años, el número de clientes activos de la entidad ha pasado de 47,5 millones a los 56,3 millones con los que cuenta en la actualidad.
Este crecimiento ha sido posible, en gran medida, por el empuje de su cartera de clientes digitales, que se ha más que duplicado a lo largo de ese mismo periodo de tiempo, para situarse en los 32,1 millones de clientes, frente a los 15,3 millones de 2015.
Un análisis más detallado de estas cifras pone de manifiesto el papel cada vez más relevante que desempeñan los canales móviles de BBVA en la satisfacción de las necesidades de sus clientes.
Por ejemplo, cerca del 67% de los 32,1 millones de clientes digitales utiliza sólo sus dispositivos móviles para operar con el banco, mientras que un 23,7% lo hace tanto a través de la web como de la plataforma móvil del banco.
Esto implica que menos de un 10% de usuarios del banco accede al banco exclusivamente a través de medios no móviles.
En algunos países estos porcentajes son mucho más pronunciados, como en Turquía, donde un 73,1% de los usuarios son exclusivamente móviles, con un 20% de usuarios mixtos y un 7% de usuarios no-móviles, o México, el más claro exponente de esta tendencia, donde un 87,5% de clientes es exclusivamente móvil, un 7,5% mixto y menos de un 5% no-móvil.
En España, el porcentaje de usuarios móviles se sitúa en el 56,8%, frente a un 33% de mixtos y poco más del 10% de no móviles.
Así, la duración de las sesiones en la aplicación BBVA viene creciendo constantemente año tras año. En España, la duración media de las sesiones se sitúa en los 2,4 minutos por visita, frente a 1,1 minutos hace un año. En Colombia, la duración media de cada sesión se ha situado en los 7,7 minutos este año, frente a los 6,5 minutos de hace 12 meses.
Y esto se debe principalmente a los cambios en los patrones de actividad de los usuarios durante el tiempo que permanecen conectados. Por ejemplo, en diciembre de 2018, los usuarios dedicaban un 44,6% del tiempo de duración de sus sesiones a consultar información disponible en la página principal de las plataformas, principalmente datos básicos sobre sus cuentas. De la misma manera, un 37% del tiempo lo pasaban a obtener más información sobre su situación financiera, un 7% llevando a cabo alguna transacción, y un 5% informándose sobre otros productos y servicios.
Doce meses más tarde, el tiempo que los usuarios pasan en la página principal ha descendido hasta un 38%, frente al 44,5% que dedican a recabar más información y recomendaciones sobre su situación financiera, o el 6% a informarse sobre productos y servicios. El porcentaje de tiempo que dedican a realizar transacciones sigue siendo el mismo.
Sobre esta información, David Puente, Responsable Global de Soluciones de Cliente, ha recordado que “como anunció la semana pasada BBVA, una de nuestras prioridades estratégicas es centrarnos más en ayudar a nuestros clientes a mejorar su salud financiera”.
“Lo que estamos viendo muy claramente es que a medida que ponemos a disposición de nuestros usuarios más servicios, información y recomendaciones personalizadas a través de nuestras plataformas digitales, los clientes están comenzando a prestar más y más atención a esta información que les ofrecemos para ayudarles a tomar mejores decisiones sobre sus finanzas”.
“Y éste es uno de nuestros objetivos principales – utilizar la experiencia humana y las herramientas tecnológicas de las que disponemos en el banco, junto con nuestra cada vez más potente capacidad de análisis de datos personales, para ayudar a nuestros clientes tanto a alcanzar sus metas financieras a largo plazo como a gestionar su día a día”.
Además, gracias a esta estrategia y al nivel de satisfacción que genera entre los usuarios, BBVA se ha convertido en la entidad más recomendada por sus clientes en España, México, Argentina, Colombia y Perú, y la segunda en Turquía y Uruguay, según el índice NPS (del inglés, Net Promoter Score).
-https://www.bbva.com/es/que-son-las-tecnologias-pet-como-maximizar-el-valor-de-los-datos-preservando-la-privacidad/
Así, por ejemplo, en los últimos cuatro años, el número de clientes activos de la entidad ha pasado de 47,5 millones a los 56,3 millones con los que cuenta en la actualidad.
Este crecimiento ha sido posible, en gran medida, por el empuje de su cartera de clientes digitales, que se ha más que duplicado a lo largo de ese mismo periodo de tiempo, para situarse en los 32,1 millones de clientes, frente a los 15,3 millones de 2015.
Un análisis más detallado de estas cifras pone de manifiesto el papel cada vez más relevante que desempeñan los canales móviles de BBVA en la satisfacción de las necesidades de sus clientes.
Por ejemplo, cerca del 67% de los 32,1 millones de clientes digitales utiliza sólo sus dispositivos móviles para operar con el banco, mientras que un 23,7% lo hace tanto a través de la web como de la plataforma móvil del banco.
Esto implica que menos de un 10% de usuarios del banco accede al banco exclusivamente a través de medios no móviles.
En algunos países estos porcentajes son mucho más pronunciados, como en Turquía, donde un 73,1% de los usuarios son exclusivamente móviles, con un 20% de usuarios mixtos y un 7% de usuarios no-móviles, o México, el más claro exponente de esta tendencia, donde un 87,5% de clientes es exclusivamente móvil, un 7,5% mixto y menos de un 5% no-móvil.
En España, el porcentaje de usuarios móviles se sitúa en el 56,8%, frente a un 33% de mixtos y poco más del 10% de no móviles.
Cerca del 67% de los 32,1 millones de clientes digitales utiliza sólo sus dispositivos móviles para operar con el bancoAdemás, un 82% de la operativa de BBVA ya está disponible en modalidad de autoservicio a través de sus plataformas digitales, lo cual está teniendo un impacto muy notable en las métricas de uso de los canales digitales del banco por parte de los clientes.
Así, la duración de las sesiones en la aplicación BBVA viene creciendo constantemente año tras año. En España, la duración media de las sesiones se sitúa en los 2,4 minutos por visita, frente a 1,1 minutos hace un año. En Colombia, la duración media de cada sesión se ha situado en los 7,7 minutos este año, frente a los 6,5 minutos de hace 12 meses.
Y esto se debe principalmente a los cambios en los patrones de actividad de los usuarios durante el tiempo que permanecen conectados. Por ejemplo, en diciembre de 2018, los usuarios dedicaban un 44,6% del tiempo de duración de sus sesiones a consultar información disponible en la página principal de las plataformas, principalmente datos básicos sobre sus cuentas. De la misma manera, un 37% del tiempo lo pasaban a obtener más información sobre su situación financiera, un 7% llevando a cabo alguna transacción, y un 5% informándose sobre otros productos y servicios.
Doce meses más tarde, el tiempo que los usuarios pasan en la página principal ha descendido hasta un 38%, frente al 44,5% que dedican a recabar más información y recomendaciones sobre su situación financiera, o el 6% a informarse sobre productos y servicios. El porcentaje de tiempo que dedican a realizar transacciones sigue siendo el mismo.
Sobre esta información, David Puente, Responsable Global de Soluciones de Cliente, ha recordado que “como anunció la semana pasada BBVA, una de nuestras prioridades estratégicas es centrarnos más en ayudar a nuestros clientes a mejorar su salud financiera”.
“Lo que estamos viendo muy claramente es que a medida que ponemos a disposición de nuestros usuarios más servicios, información y recomendaciones personalizadas a través de nuestras plataformas digitales, los clientes están comenzando a prestar más y más atención a esta información que les ofrecemos para ayudarles a tomar mejores decisiones sobre sus finanzas”.
“Y éste es uno de nuestros objetivos principales – utilizar la experiencia humana y las herramientas tecnológicas de las que disponemos en el banco, junto con nuestra cada vez más potente capacidad de análisis de datos personales, para ayudar a nuestros clientes tanto a alcanzar sus metas financieras a largo plazo como a gestionar su día a día”.
Además, gracias a esta estrategia y al nivel de satisfacción que genera entre los usuarios, BBVA se ha convertido en la entidad más recomendada por sus clientes en España, México, Argentina, Colombia y Perú, y la segunda en Turquía y Uruguay, según el índice NPS (del inglés, Net Promoter Score).
-https://www.bbva.com/es/que-son-las-tecnologias-pet-como-maximizar-el-valor-de-los-datos-preservando-la-privacidad/
No hay comentarios:
Publicar un comentario