Big Data

Todo aquel que haya investigado en las ciencias sociales o médicas debiera estar familiarizado con la idea de que cuando se recogen datos sobre sujetos humanos, es importante proteger su identidad para que así no enfrenten consecuencias negativas por haber estado involucrados con la investigación, como por ejemplo que se sepa que tienen una enfermedad particular, que votaron de tal o cual modo, que participan de un comportamiento estigmatizado, etc. (Véase el recurso Protección de los datos). Las formas tradicionales de proteger la identidad —retirando cierta información identificadora, o sólo reportando estadísticas agregadas— pueden y debieran también usarse cuando se manejan los grandes conjuntos de datos para así ayudar a proteger a quienes figuran en ellos. También pueden esconderse los datos de múltiples modos para proteger la privacidad: los métodos incluyen la encriptación (codificación), tokenización y el enmascaramiento de los datos. Talend identificó las fortalezas y las debilidades de las estrategias primarias con que esconder los datos usando estos métodos.

La posibilidad de que se dé la reidentificación es uno de los más grandes peligros involucrados en el uso de grandes conjuntos de datos: establecer la identidad real de las personas en el conjunto, incluso cuando su información personal ha sido escondida o retirada. Para dar una idea de cuán fácil sería identificar a las personas en un gran conjunto de datos, un estudio halló que usando apenas tres campos de información —el código postal, el género y la fecha de nacimiento— se podía identificar al 87% de los estadounidenses individualmente, y luego conectar su identidad a bases de datos públicamente disponibles que contienen historiales médicos. Con más puntos de datos, los investigadores demostraron la capacidad casi perfecta de identificar a las personas de un conjunto: con cuatro piezas aleatorias de los datos en los registros de las tarjetas de crédito se podría alcanzar una tasa de identificación de casi 90%, y los investigadores lograron identificar personas con 99.98% de precisión usando 15 puntos de datos.

Diez reglas simples para la investigación responsable de big data, tomadas de un paper del mismo nombre de Zook, Barocas, Boyd, Crawford, Keller, Gangadharan, et al, 2017

1. Reconozca que los datos son personas y que pueden hacer daño. La mayoría de los datos representan a personas o las afectan. Simplemente partir del supuesto de que todos los datos son personas hasta que se demuestre lo contrario, pone en primer plano la dificultad que hay para disociar los datos de personas específicas.
2. Reconozca que la privacidad es algo más que un valor binario. La privacidad podría ser más o menos importante para las personas a medida que pasan por distintos contextos y situaciones. Ver los datos en bruto de alguien podría tener distintas implicaciones para su privacidad que si vemos un solo registro. La privacidad podría ser importante para grupos de personas (digamos, por sector demográfico) así como para particulares.
3. Cuide la reidentificación de sus datos. Sea consciente de que datos al parecer inocuos e inesperados, como el uso de la batería del celular, podrían usarse para reidentificarlos. Planee para asegurarse de que la forma en que comparte y reporta los datos reduce el riesgo de que las personas puedan ser identificadas.
4. Practique un compartir datos que sea ético. Podría haber ocasiones en que los participantes en su conjunto de datos esperan que usted los comparta (por ejemplo, con otros investigadores médicos que buscan una cura), y otros en que confían en que no lo haga. Sea consciente de que otros datos identificadores de sus participantes podrían ser recogidos, vendidos o compartidos en otro lugar, y que combinarlos con los suyos podría identificarlos individualmente. Tenga claro cómo y cuándo compartirá los datos y sea responsable por la protección de la privacidad de las personas cuyos datos recoge.
5. Tenga en cuenta las fortalezas y limitaciones de sus datos; grande no quiere decir mejor automáticamente. Entienda de dónde viene su gran conjunto de datos y cómo podría evolucionar en el tiempo. No sobreestime sus hallazgos y reconozca que podrían ser desordenados o tener significados múltiples.
6. Debata las duras opciones éticas. Hable con sus colegas acerca de estas preocupaciones éticas. Siga el trabajo de organizaciones profesionales para mantenerse al día con estos motivos de preocupación.
7. Diseñe un código de conducta para su organización, comunidad de investigadores o industria, e involucre a sus pares en su creación, para así asegurar la inclusión de perspectivas inesperadas o subrepresentadas.
8. Diseñe sus datos y sistemas para que sean auditables. Esto fortalece la calidad de su investigación y servicios, así como para dar una advertencia temprana de los usos problemáticos dados a los datos.
9. Aborde las consecuencias más amplias de los datos y las prácticas de análisis. Cuando planee su colección de big data, tenga en cuenta la igualdad social, el impacto medioambiental de su procesamiento y otros impactos que haya sobre toda la sociedad.
10. Sepa cuándo romper estas normas. Teniendo al debate, el código de conducta y la auditabilidad como guías, considere que en el caso de una emergencia de salud pública u otro desastre podría ser posible que haya razones para dejas las normas de lado.

Quienes proporcionan sus datos podrían no ser conscientes en ese entonces de que éstos podrían ser vendidos posteriormente a brókeres de información, quienes a su vez podrían luego revenderlos.

Infortunadamente, los formularios de consentimiento de privacidad de los datos son en general difíciles de leer para la persona media, incluso después de la ampliación de las salvaguardas de la privacidad tras el Reglamento General de Protección de Datos (GRPD ) Los términos y condiciones de uso (documentos de ToS) son tan notoriamente difíciles de leer, que un cineasta incluso hizo un documental sobre el tema. Los investigadores que han estudiado las políticas de los términos de servicio y privacidad hallaron que los usuarios por lo general los aceptan sin leer porque son demasiado largos y complejos. De otro lado, los que necesitan acceder a una plataforma o servicio por razones personales (por ejemplo, para mantenerse en contacto con un pariente) o para su subsistencia (para entregar sus productos a los consumidores) podrían no poder simplemente rechazar los ToS cuando no cuentan con una alternativa viable o inmediata.

Se viene efectuando un trabajo importante para intentar proteger a los usuarios de las plataformas y servicios de estos tipos de situaciones abusivas de compartir datos. Por ejemplo, el Usable Privacy and Security Laboratory de Carnegie Mellon (CUPS) ha diseñado mejores prácticas para informar a los usuarios acerca de cómo podrían usarse sus datos. Esto ha tomado la forma de
“etiquetas de nutrición” de privacidad de los datos similares a las etiquetas de nutrición alimenticia especificadas por la FDA, y que tienen como base las evidencias.

Los grandes conjuntos de datos presentan parte de la información más rica y exhaustiva con que se ha contado en toda la historia humana. Los investigadores que los usan tienen acceso a información de una población enorme. Esto puede ser mucho más útil y conveniente que los datos autorreportados o los que fueron recogidos por estudios observacionales de difícil logística. Un trade-off importante se da entre la riqueza del conocimiento ganado mediante datos autorreportados o recolectados con sumo cuidado, contra la capacidad para generalizar los conocimientos obtenidos a partir del big data. Este último, al que se recoge de las actividades en redes sociales o por sensores, podría también permitir la medición en tiempo real de una actividad a gran escala. Lo que se obtiene del big data es sumamente importante en el campo de la logística. Por ejemplo, el Servicio Postal de los Estados Unidos recoge datos de todas sus entregas de paquetes usando GPS y vastas redes de sensores y otros métodos de seguimiento, y luego los procesa con algoritmos especializados. Esto les permite optimizar sus entregas para la sostenibilidad medioambiental.

Hacer que los grandes conjuntos de datos sean públicamente disponibles podría comenzar a cerrar las brechas en el acceso a los datos. Fuera de algunos conjuntos de datos públicos, el big data usualmente termina siendo propiedad de corporaciones, universidades y otras grandes organizaciones. Aunque los datos producidos son acerca de personas individuales y su comunidad, dichas personas y comunidades podrían no tener el dinero o la capacidad técnica para acceder a ellos y hacer un uso productivo de los mismos. Esto genera el riesgo de que las brechas digitales empeoren.

Los datos públicamente disponibles han ayudado a las comunidades, entre otras cosas, a entender la corrupción gubernamental, asuntos municipales, abusos de los derechos humanos y crisis de salud, y actuar en conformidad a ello. Pero una vez más resulta particularmente importante asegurar, cuando los datos se hagan públicos, una sólida privacidad para aquellos cuyos datos figuran en el conjunto de datos. El trabajo del proyecto Our Data Bodies brinda una guía adicional sobre cómo tratar a las comunidades cuyos datos figuran en estos conjuntos. Los materiales de sus talleres podrían apoyar la comprensión y participación de la comunidad en la toma de decisiones éticas acerca de la recolección y procesamiento de datos, y de cómo monitorear y auditar las prácticas seguidas con ellos.

Dado el potencial para la reidentificación, así como la naturaleza y los objetivos de algunos usos dados al big data, corremos el riesgo de que las personas incluidas en un conjunto de datos sean sometidas a vigilancia por los gobiernos, los cuerpos policiales o las corporaciones. Esto podría poner en peligro los derechos fundamentales y la seguridad de quienes figuran en el conjunto de datos.

El gobierno chino es criticado constantemente por la vigilancia invasiva de sus ciudadanos mediante la recolección y procesamiento del big data. Más específicamente se le ha criticado por su sistema de ranking social de los ciudadanos sobre la base de sus redes sociales, datos de compras y educativos, así como por la recolección recolección revelaciones aque Edward Snowden hiciera acerca de la recolección y uso de datos de redes sociales y otros más por parte de la Agencia de Seguridad Nacional de los EE.UU., fue una de las primeras advertencias públicas acerca del potencial que el big data tiene para la vigilancia. También son motivo de preocupación las sociedades involucradas en el desarrollo del sistema de ID biométrico de la India, una tecnología cuyos productores están ansiosos por venderla a otros países. En los Estados Unidos, los defensores de la privacidad han manifestado su preocupación por las compañías y gobiernos que adquieren datos a escala acerca de los estudiantes usando los dispositivos que sus centros educativos les dan, preocupación esta que también debiera ser planteada en cualquier contexto internacional en que se dan laptops o celulares a los alumnos.

Debemos enfatizar que la preocupación por la vigilancia no queda limitada a las instituciones que originalmente recogieron los datos, trátese de gobiernos o de corporaciones. Es posible, cuando los datos son vendidos o combinados con otros conjuntos de datos, que otros actores, desde estafadores por correo electrónico a parejas abusivas, accedan a los datos y sigan, exploten o dañen de algún otro modo a las personas que figuran en el conjunto de datos.

El big data presenta retos significativos para la seguridad porque se le recoge, limpia y combina a través de largos y complejos pipelines de software y almacenaje. Estos retos se multiplican cada vez que los datos son compartidos entre muchas organizaciones. Todo flujo de datos que llega en tiempo real (por ejemplo, información acerca de personas que ingresan a un hospital) necesitará ser protegido específicamente de su manipulación, alteración o vigilancia. Es importante asegurarse de que se destinen suficientes recursos a la seguridad, puesto que los datos pueden constituir un riesgo significativo para la privacidad y la seguridad de quienes están incluidos en estos conjuntos, y son sumamente valiosos para los delincuentes.

Las herramientas de seguridad existentes para páginas web no bastan para cubrir todo el pipeline del big data. Se necesitan grandes inversiones en personal e infraestructura para brindar una cobertura de seguridad apropiada y responder a las filtraciones de datos. E infortunadamente en la industria faltan los especialistas en big data, en particular el personal de seguridad familiarizado con los retos singulares que éste presenta. Los sensores de la Internet de las cosas constituyen un riesgo particular cuando forman parte de un pipeline de recolección de datos; estos dispositivos son notorios por contar con seguridad deficiente. Por ejemplo, un actor malicioso podría fácilmente introducir sensores falsos en la red, o rellenar el pipeline de recolección con datos basura para así hacer que su recolección de datos sea inútil.

Las compañías de big data y sus promotores a menudo afirman que éste puede ser más objetivo o preciso que los datos reunidos de modo tradicional, supuestamente porque el juicio humano no interviene y porque la escala a la cual se le reúne es más rica. Este cuadro resta importancia al hecho que los algoritmos y el código informático también aplica el juicio humano a los datos, lo que incluye sesgos y datos que podrían ser excluidos accidentalmente. Además, la interpretación humana es siempre necesaria para encontrarle el sentido a los patrones del big data, de modo tal que las pretensiones de objetividad debieran, una vez más, tomarse con un saludable escepticismo.

Para evitar caer en la trampa de asumir que el big data es “mejor”, es importante que hagamos preguntas acerca de los métodos de recolección de datos, los algoritmos involucrados en el procesamiento y los supuestos o inferencias de los recolectores/programadores de los datos y sus análisis. Por ejemplo, los datos acerca de la cercanía de dos teléfonos celulares le dicen que dos personas estuvieron cerca la una de la otra, pero sólo la interpretación humana podría decirle por qué razón lo estaban. La forma en que un analista interpreta dicha cercanía podría diferir de lo que las personas que tienen los celulares podrían decirle. Por ejemplo, este es un gran reto cuando usamos los teléfonos para “rastrear contactos” en epidemiología. Durante la crisis sanitaria del COVID-19, fueron muchos los países que se apresuraron en construir apps para celulares que rastrearan los contactos. Sus fines y funcionamiento precisos varían ampliamente (al igual que su efectividad), pero vale la pena indicar que las principales empresas tecnológicas prefirieron referirse a ellas como apps para “notificar el riesgo de exposición” antes que como de rastreo de contactos: esto se debe a que sólo pueden decir si se ha estado cerca de alguien con coronavirus, no si se lo ha contraído o no.

Hay dificultades a la hora de interpretar y extraer conclusiones, al igual que sucede con todos los datos. Dado que el big data a menudo es captado y analizado en tiempo real, podría ser particularmente débil al proporcionar el contexto histórico de los patrones actuales que está resaltando. Todo aquel que analice big data debiera asimismo considerar cuál o cuáles fueron sus fuentes, si los datos fueron combinados con otros conjuntos de datos, y cómo se les limpió. La limpieza se refiere al proceso de corregir o retirar los datos imprecisos o que no son pertinentes. Esto es de particular importancia en el caso de los datos de las redes sociales, que pueden tener un montón de “ruido” (información extra), y que por ende casi siempre son limpiados.

Big Data para la agricultura climáticamente inteligente

“Los científicos del Centro Internacional de Agricultura Tropical (CIAT) han aplicado herramientas de big data para precisar estrategias que funcionen con pequeños agricultores en un clima cambiante…. Los investigadores aplicaron analítica del big data a los registros agrícolas y del clima en Colombia, revelando así de qué modo su variación impacta en el rendimiento del arroz. Estos análisis identifican las variedades de arroz más productivas y el momento de la siembra para lugares específicos y predicciones estacionales. Las recomendaciones podrían potencialmente elevar el rendimiento de 1 a 3 toneladas por hectárea. Las herramientas funcionan dondequiera que se cuente con los datos, y actualmente vienen siendo ampliadas en Colombia, Argentina, Nicaragua, Perú y Uruguay”.

Dispositivos entregados por centros educativos y privacidad de los alumnos, en particular las Mejores Prácticas para la sección de compañías de tecnología educativa.

“Los alumnos vienen usando tecnología en el aula a un ritmo sin precedentes…. Las laptops de los alumnos y los servicios educativos a menudo están disponibles a precios fuertemente reducidos, y a veces son incluso gratuitas. Vienen, sin embargo, con costos reales y preguntas éticas no resueltas. A lo largo de la investigación efectuada por EFF durante los últimos dos años, hallaron que los servicios tecnológicos educativos a menudo recogen mucha más información sobre los niños de lo necesario, y que la guardan por tiempo indefinido. Esta información con implicaciones para la privacidad va más allá de la información personalmente identificable (PII), como el nombre y la fecha de nacimiento, y puede incluir el historial y los términos de búsqueda, los datos de ubicación, las listas de contacto e información conductual… Todo esto a menudo sucede sin el conocimiento o el consentimiento de los alumnos y su familia”.

El big data y las ciudades florecientes: innovaciones en la analítica para construir espacios urbanos sostenibles, resilientes, equitativos y vivibles.

Este paper incluye estudios de caso de big data usado para seguir cambios en la urbanización, la congestión del tráfico y el crimen en las ciudades. “[L]a aplicación innovadora de tecnologías geoespaciales y de sensores, así como la penetración de la tecnología telefónica móvil están proporcionando una recolección de datos sin precedentes. Estos datos pueden ser analizados para muchos fines, entre ellos hacer un seguimiento de la población y la movilidad, las inversiones del sector privado y la transparencia de los gobiernos federal y local”.

Combatiendo el ébola en Sierra Leona: compartir datos para mejorar la respuesta a la crisis.

“Los datos y la información tienen un papel importante que desempeñar en la lucha no sólo contra el ébola, sino más en general contra una variedad de crisis natural u obra del hombre. Sin embargo, para maximizar dicho potencial es esencial fomentar el lado de la oferta de las iniciativas de datos abiertos, esto es, asegurar la disponibilidad de suficiente información de alta calidad. Esto podría resultar particularmente difícil cuando no hay una política clara que empuje a los actores a cumplir y que fije estándares claros de la calidad y el formato de los datos. Las etapas iniciales de los esfuerzos por tener datos abiertos pueden resultar caóticas y a veces redundantes, en particular durante una crisis. Aunque difícil en tiempos de crisis, mejorar la coordinación entre múltiples actores que trabajan hacia metas similares podría ayudar a reducir la redundancia y conducir a esfuerzos que son más grandes que la suma de sus partes.

Rastreando las muertes relacionadas con conflictos: un panorama preliminar de los sistemas de monitoreo.

“En el marco de la Agenda para el Desarrollo Sostenible 2030 de las Naciones Unidas, los Estados se han comprometido a hacer el seguimiento del número de personas muertas en conflictos armados y a desagregar los datos por sexo, edad y causa, siguiendo el Indicador 16 de los Objetivos de Desarrollo Sostenible (ODS). No hay, sin embargo, ningún consenso internacional en las definiciones, métodos o estándares a usar en la generación de los datos. Es más, los sistemas de monitoreo manejados por las organizaciones internacionales y la sociedad civil difieren en lo que respecta a su cobertura temática, concentración geográfica y nivel de desagregación”.

Balancing data utility and confidentiality in the US census (Equilibrando la utilidad de los datos con la confidencialidad en el censo de los EE.UU.)

Describe cómo el censo está usando una privacidad diferencial para proteger los datos de los encuestados. “A medida que la Oficina del Censo se prepara para enumerar la población de los Estados Unidos en 2020, su dirección ha anunciado que efectuará cambios significativos en los cuadros estadísticos que la oficina piensa publicar. Dados los adelantos en la ciencia de la computación y la amplia disponibilidad de datos comerciales, las técnicas que la oficina ha empleado históricamente para proteger la confidencialidad de puntos de datos individuales ya no pueden resistir a los nuevos enfoques de reconstrucción y reidentificación de datos confidenciales. … [L]as investigaciones llevadas a cabo por la Oficina del Censo han mostrado que ahora es posible reconstruir información y reidentificar a un número considerable de personas a partir de cuadros estadísticos públicamente disponibles. Las viejas protecciones de la privacidad de los datos simplemente ya no funcionan. Por ende, la dirección de la Oficina del Censo ha aceptado que no puede conservar su actual método y esperará a 2030 para efectuar cambios; ha decidido invertir en un nuevo enfoque para garantizar la privacidad, que transformará significativamente la forma en que la oficina produce estadísticas”.