Facebook đã phải tìm cách cải tiến bảo vệ thông tin người dùng khi bị khiếu nại về quyền riêng tư, đồng thời vẫn duy trì hiệu quả quảng cáo. Đó chính là lý do PET ra đời. PET là gì và nó ảnh hưởng thế nào đến quảng cáo trên Facebook? Hãy cùng tìm hiểu trong bài viết này.
Nội dung chính
PET là gì?
Facebook luôn là một trong những mạng xã hội có số lượng người dùng hàng đầu tại Việt Nam. Chính vì vậy, quảng cáo Facebook luôn là một trong những kênh tiếp thị hàng đầu cho hiệu quả nhanh tức thời. Tuy nhiên, có một sự thật vẫn luôn khiến Facebook nhận nhiều chỉ trích đó chính là việc sử dụng dữ liệu người dùng đã khiến cho sự an toàn thông tin cá nhân bị lạm dụng. Hơn nữa, điều này cũng dẫn đến nguy cơ lộ thông tin cá nhân của người dùng cho một bên khác. Chính vì vậy, Facebook đã nghiên cứu ra một công nghệ mới để khắc phục vấn đề này và đặt tên cho nó là PET.
PET là viết tắt của Privacy-Enhancing Technologies hay dịch ra có nghĩa là công nghệ tăng cường quyền riêng tư. Hiểu đơn giản thì PET sẽ giúp tối ưu và mã hóa dữ liệu thành các dạng mật mã đặc biệt. Đôi khi nó cũng chỉnh sửa loại bỏ đi một phần dữ liệu nhằm mục đích cuối cùng là bảo vệ mọi thông tin cá nhân có trong dữ liệu. Không chỉ vậy, PET cũng góp phần khiến mọi thứ trở nên nhanh chóng và tự động hóa hơn. Chính vì vậy dư tiêu hao nhiều thời gian và tiền bạc, PET vẫn tiếp tục được Facebook tiếp tục nghiên cứu và phát triển từng ngày.
Xem Thêm: Công cụ Marketing – Hiểu sâu hơn về chúng và những lợi ích không thể bỏ qua
Các loại PET và ảnh hưởng của chúng lên quảng cáo
Về cơ bản, các loại PET đều vận hành trên các phương thức mã hóa và bảo mật và chúng giúp hạn chế đi lượng dữ liệu phải xử lý nhưng vẫn mang đến hiệu quả tương đương. Dựa theo cách mà chúng vận hành, có thể chia PET ra thành 3 loại:
MPC – Tính toán an toàn đa bên (Secure Multi-Party Computation)
Phương pháp MPC (Multi-Party Computation) được sử dụng khi nhiều tổ chức cùng làm việc và có chung phần dữ liệu. Thông thường, để tạo ra báo cáo hoàn chỉnh, mỗi tổ chức phải cung cấp dữ liệu của mình cho cùng một đơn vị. Với MPC, các dữ liệu sẽ được mã hóa tại mọi công đoạn, giúp các tổ chức có thể xem cách quảng cáo vận hành mà không cần cung cấp dữ liệu cho các bên khác. Điều này giúp bảo vệ quyền riêng tư của các tổ chức và đảm bảo tính toàn vẹn của dữ liệu.
Có thể thấy MPC cực kỳ phù hợp để vẫn tính toán và đảm bảo sự bảo mật giữa các bên mà vẫn có thể giúp máy học có được thông tin để hoạt động. Các báo cáo vẫn được tổng hợp dù dữ liệu được cầm bởi nhiều bên
On-Device Learning
On-Device Learning là công nghệ vận hành gần tương tự như chính cái tên của nó. Thay vì phải gửi toàn bộ các thông tin về hoạt động và thao tác của người dùng về máy chủ để tổng hợp được những thông tin về Insight khách hàng. Các hoạt động tính toán này được tiến hành ngay trên thiết bị để có thể nhanh chóng đưa ra được các quảng cáo phù hợp mà không cần thêm những thông tin khác như hoạt động của người dùng trên các website ngoài như phương thức cũ.
Ví dụ, bạn là một khách hàng ấn vào một trong những quảng cáo giày da nam, thay vì ghi nhận những dữ liệu này về máy chủ, On-Device Learning ghi nhận ngay những thông tin này trên thiết bị và phản hồi bằng những quảng cáo giày da nam tương tự. Nhanh, tiện lợi và bảo mật hơn là những gì mà thuật toán On-Device Learning mang lại.
Xem Thêm: Tổng hợp kiến thức về Remarketing trên Facebook mà bạn cần biết
Differential Privacy
Differential Privacy là công nghệ mã hóa dữ liệu đặc biệt, giúp bảo vệ tính riêng tư của người dùng. Sau khi thu thập thông tin về mua hàng và quảng cáo, hệ thống sẽ giảm lượng dữ liệu bằng cách thêm nhiễu vào các thông tin sẵn có. Điều này giúp tăng tính bảo mật của dữ liệu và giảm nguy cơ lộ thông tin cá nhân.
Như ví dụ bên trên về quảng cáo giày da nam, khi dữ liệu thực tế về số lượng người đã mua hàng sẽ được hệ thống thêm những yếu tố gây nhiễu vào. Ví dụ, thay vì công bố đầy đủ số lượng người mua, hệ thống sẽ tự động bớt đi một số lượng người cụ thể nào đó. Điều này khiến cho số liệu được chuyển ra chỉ mang tính tương đối và rất khó để có thể xác định được thực dữ liệu thực tế.
Do đó, Differential Privacy thường được sử dụng cho những dữ liệu được công khai và phục vụ mục đích nghiên cứu. Với công nghệ này, dữ liệu luôn đảm bảo được tính bảo mật cần thiết của mình.
