I dati biometrici si nascondono nelle foto di prodotti comuni

Non tutti i problemi di privacy arrivano con un’etichetta di “caricamento di un volto”.

A volte arrivano come una foto di prodotto. Una bottiglia lucida su una scrivania. Un orologio al polso. Un paio di scarpe in un corridoio. Un laptop accanto a un badge. Un oggetto fatto a mano tenuto dal venditore. Un oggetto simile a uno specchio che riflette la persona che scatta. Le immagini ordinarie sono piccole scene del crimine di contesto, tranne che di solito nessuno ha commesso un crimine e tutti volevano solo una migliore illuminazione.

Quando i team di prodotto pensano alla privacy delle immagini con l’AI, spesso separano le “foto personali” dalle “immagini aziendali”. Questa distinzione è utile, ma può essere troppo ordinata. Le foto di prodotto possono includere persone. Le mani possono identificare. I riflessi possono rivelare volti. Gli sfondi possono rivelare case, luoghi di lavoro, scuole, siti di clienti, indirizzi, numeri di serie o prodotti non ancora rilasciati.

Il rischio biometrico dipende dall’uso, dalla giurisdizione e dall’elaborazione. Una singola immagine casuale che include un volto non è automaticamente la stessa cosa di un sistema che estrae la geometria del volto per l’identificazione. Ma la linea non è sempre chiara per gli utenti, e non lo è nemmeno per i team di prodotto. Se un flusso di lavoro AI rileva, segmenta, migliora, confronta o memorizza i volti dentro immagini ordinarie, l’analisi della privacy cambia.

Questo è importante per le aziende che usano strumenti di immagini AI su larga scala. Un venditore su un marketplace può caricare foto di prodotti personalizzate per i clienti. Un’agenzia può caricare bozze di campagne per i clienti. Un team di ecommerce può elaborare migliaia di immagini con persone sullo sfondo. Un flusso immobiliare può includere foto di famiglia appese alle pareti. La categoria del prodotto dice “generazione di immagini”. Il contenuto dice “dati personali sono entrati in scena indossando un gilet ad alta visibilità”.

Il modello di progettazione sicuro è trattare le immagini sorgente come sensibili per impostazione predefinita, anche quando il caso d’uso sembra commerciale. Non conservare gli originali se non è necessario. Rimuovi i metadati non necessari quando appropriato. Evita di registrare gli URL delle immagini nelle analisi. Non mostrare anteprime al personale di supporto a meno che non ci sia un motivo chiaro e approvato dall’utente. Mantieni gli output generati e le immagini sorgente dentro la stessa area di confine della privacy.

Il testo del prodotto dovrebbe evitare false rassicurazioni. “Per le foto di prodotto” non significa “nessun dato personale”. Un testo migliore dice cosa fa il sistema con ogni immagine sorgente, che contenga un volto o una sedia o una sedia riflessa nel volto di qualcuno, perché le pipeline di immagini AI non dovrebbero basarsi sul fatto che l’utente classifichi perfettamente la sensibilità prima del caricamento.

Ecco anche perché un’infrastruttura privata è utile oltre ai casi d’uso chiaramente personali. Non devi sapere in anticipo se uno scatto di prodotto caricato contiene dettagli sensibili sullo sfondo, se il percorso di generazione è progettato per non conservarli.

La “nascosta” dei dati biometrici nelle foto di prodotti comuni non è sempre drammatica. Ed è proprio questo che la rende facile da ignorare.

Approfondimenti: panoramica di NIST su tecnologia di riconoscimento facciale, Generazione di immagini in cloud privato e Il cliente non si preoccupa del tuo modello.