L’intensification de la collecte de données et la montée en puissance des outils pour les traiter fondent la promesse de nombreux progrès dans la gestion des transports, de l’énergie, la finance ou la santé.
Ces nouveaux moyens rendent toutefois les questions du respect de la vie privée et de la protection des données personnelles d’autant plus importantes.
Sarus Technologies développe des outils pour travailler sur de la donnée lorsque celle ci n’est pas accessible pour des raisons de confidentialité.
Ces outils mobilisent différents outils théoriques à l’interface :
- du machine learning
- des statistiques
- et de la confidentialité différentielle (Dwork et al. 2006 - Calibrating Noise to Sensitivity in Private Data Analysis).
Nous nous proposons d’introduire les notions principales de la confidentialité différentielle et de montrer comment ils peuvent permettre la conception d’outils pratiques.