로그인정보 입력 영역

아이디

비밀번호

• 회원가입
• 아이디/비밀번호찾기

• 홈

책소개

꼭꼭 숨겨라 개인 정보 보일라!
데이터 속에는 유용하면서도 의미 있는 정보가 넘쳐나지만, 사용에 앞서 개인 정보 보호가 선행되어야 한다. 이 책은 데이터를 안전하게 보호하고 익명화 프로세스를 구축하는 과정을 설명한다. 안전한 익명화 프로세스를 구축하기 위해 데이터의 흐름을 이해하고 그 과정을 분석 탐구한다. 또한 다루기 까다로운 의료 데이터를 기반으로 실제 비즈니스 요구사항을 해결하는 사용 사례를 학습하고, 각종 장치와 IoT가 수집한 데이터를 다루는 익명화 솔루션을 처음부터 끝?沮?살펴본다.

넘쳐나는 데이터를 안전하게 운용하는 익명화 전략
AI 분야를 연구하는 가운데 다량의 데이터를 다루게 되면 데이터 활용과 개인 정보 보호 기술에 대한 관심이 높아지게 된다. 특히 저는 의료 AI 플랫폼을 개발하면서 기술 연구와 더불어 데이터 제공을 통해 개인 식별화에 대한 우려와 데이터 익명화 방법, 사회적 법률과 규정 등을 고려하지 않을 수 없다.

이 책은 전반적으로 개인 정보를 보호하는 관점에서 데이터를 어떻게 활용할지 체계적이고 실용적으로 설명하고 있다. 먼저 데이터에서 개인 정보의 노출 위험에 대한 가능성을 제기하고 이에 대한 실제적인 위험 관리 프레임워크를 활용한다. 그리고 식별된 데이터가 있다면 어떻게 처리하는지 데이터 익명화 방법에 대해 설명하고 있다. 마지막으로 데이터 사용에 있어 안정성 확보에 대한 원칙과 기술적 과제를 제시하고 있다.
_옮긴이의 말 중에서

저자소개

동부 온트리오 아동 병원의 수석 과학자이자 종합 전자 건강 정보 연구소 소장으로 합성 데이터 생성 방법과 도구, 재식별 위험 측정에 대한 응용 학술 연구를 수행하고 있다. 캐나다의 오타와 의과 대학 소아청소년과 교수이기도 하다.

의료 산업에서 AIML을 적용하기 위한 합성 데이터 개발에 주력하는 회사인 Replica Analytics의 공동 설립자이자 CEO이다. 2016년부터 2019년 말까지는 IMS 헬스(현 IQVIA)에 인수된 Privacy Analytics의 설립자이며 총괄 책임자이자 사장이었다. 현재 데이터 보호 기술을 개발하고 의료 서비스 제공 및 신약 개발 지원 분석 도구를 구축하는 기술 회사에 투자하고 자문하고 있다.

1990년대 초부터 데이터 분석을 수행하여 예측 및 평가를 위한 통계 및 머신 러닝 모델을 구축했다. 2004년부터 알고리즘에 대한 기초 연구에서 응용 솔루션 개발에 이르기까지 전 세계적으로 배포된 2차 분석을 위한 데이터 공유를 용이하게 하는 기술을 개발하고 있다. 이러한 기술은 익명화, 가명화, 합성 데이터, 보안 연산 및 데이터 워터마킹의 문제를 해결했다.

다양한 개인 정보 보호 및 소프트웨어 엔지니어링 주제에 대한 여러 책을 공동 집필하고 편집했다. 2003년과 2004년에는 측정 및 품질 평가와 개선에 대한 연구를 바탕으로 Journal of Systems and Software에서 세계 최고의 시스템 및 소프트웨어 공학자로 선정되었다.

이전에는 캐나다 국립 연구 위원회의 선임 연구 책임자였다. 또한 독일의 카이저슬라우테른에 있는 프라운호퍼 연구소에서 정량적 방법 그룹의 책임자를 역임했다. 2005년부터 2015년까지 오타와 대학교에서 전자 건강 정보 분야 캐나다 연구 위원을 역임했으며, 영국 런던 대학교 킹스 칼리지 전기전자공학부에서 박사 학위를 받았다.

목차

1장 시작하기
_1.1 식별 가능성
_1.2 용어
_1.3 데이터 보호로서의 익명화
_1.4 실제 익명화
_1.5 마치며

2장 식별 가능성 스펙트럼
_2.1 법적 상황
_2.2 노출 위험
_2.3 재식별 과학
_2.4 전반적인 식별 가능성
_2.5 마치며

3장 실제적인 위험 관리 프레임워크
_3.1 익명화의 파이브 세이프
_3.2 파이브 세이프 연습
_3.3 마치며

4장 식별된 데이터
_4.1 요구 사항 수집
_4.2 1차 용도에서 2차 용도로
_4.3 마치며

5장 가명화된 데이터
_5.1 데이터 보호 및 법적 권한
_5.2 익명화의 첫 단계
_5.3 1차 용도에서 2차 용도로 재검토
_5.4 마치며

6장 익명화된 데이터
_6.1 식별 가능성 스펙트럼 재검토
_6.2 소스에서 익명 처리
_6.3 익명 데이터 풀링
_6.4 공급 소스 익명화
_6.5 마치며

7장 안전한 사용
_7.1 신뢰 기반
_7.2 알고리즘에 대한 신뢰
_7.3 책임 있는 AIML의 원칙
_7.4 거버넌스 및 감독
_7.5 마치며

한줄 서평