Quelle différence entre anonymisation et pseudonymisation ?
La notion de données anonymes cristallise un grand nombre d’incompréhension et de fausses idées au point que le terme « anonyme » n’ait pas la même signification selon la personne qui l’emploie.
Pour rétablir le consensus, l’équipe d'Octopize a souhaité évoquer les différences entre pseudonymisation et anonymisation, deux notions souvent confondues.
Au premier abord, le terme « anonymisation » évoque la notion de masque, de dissimulation. On s’imagine alors que le principe d’anonymisation revient à masquer les attributs directement identifiants d’un individu (nom, prénom, numéro de sécu). Ce raccourci constitue justement le piège à éviter. En effet, le masquage de ces paramètres constitue plutôt une pseudonymisation.
A première vue semblables, ces deux notions impliquent pourtant de grandes différences, tant du point de vue juridique que de la sécurité.
Qu’est-ce que la pseudonymisation ?
Selon la CNIL, la pseudonymisation est un « traitement de données personnelles réalisé de manière qu'on ne puisse plus attribuer les données relatives à une personne physique sans information supplémentaire ». Elle constitue une des mesures recommandées par le RGPD pour limiter les risques liés au traitement de données personnelles.
Mais la pseudonymisation n’est pas une méthode d’anonymisation. La pseudonymisation réduit simplement la corrélation d’un ensemble de données avec l’identité originale d’une personne concernée et constitue par conséquent une mesure de sécurité utile mais non absolue. En effet, la pseudonymisation consiste à remplacer les données directement identifiantes (nom, prénom...) d’un jeu de données par des données indirectement identifiantes (alias, numéro dans un classement, etc.) empêchant ainsi la réidentification directe des individus.
La pseudonymisation ne constitue toutefois pas une protection infaillible car l’identité d’un individu peut également être déduite à partir d’une combinaison de plusieurs informations appelée quasi identifiants. Ainsi, en pratique, des données pseudonymisées restent potentiellement réidentifiantes indirectement par croisement d’informations. L’identité de l’individu peut être trahie par une de ses caractéristiques indirectement identifiantes. Cette transformation est donc réversible, justifiant le fait que des données pseudonymisées soient toujours considérées comme des données personnelles. À ce jour, les techniques de pseudonymisation les plus utilisées reposent sur des systèmes cryptographiques à clé secrète, des fonctions de hachage, du chiffrement déterministe ou encore de la Tokenization.
L’« affaire AOL (America On Line)» illustre de manière typique le malentendu qui existe entre la pseudonymisation et l’anonymisation. En 2006, une base de données contenant vingt millions de mots-clés figurant dans les recherches effectuées par plus de 650000 utilisateurs au cours d’une période de 3 mois a été diffusée publiquement, sans autre mesure destinée à préserver la vie privée que le remplacement de l’identifiant d’utilisateur AOL par un attribut numérique (pseudonymisation).
Malgré ce traitement, l’identité et la localisation de certains utilisateurs ont été rendues publiques. En effet, les requêtes transmises à un moteur de recherches, surtout si elles peuvent être couplées avec d’autres attributs, comme les adresses IP ou d’autres paramètres de configuration, ont un potentiel d’identification très élevé.
Cet incident ne constitue qu’un exemple parmi les nombreux écueils montrant qu’un ensemble de données pseudonymisées n’est pas anonyme ; le simple fait de modifier l’identité n’empêche pas un individu d’être ré-identifié à partir d’informations quasi identifiantes (âge, sexe, code postal). Dans bien des cas, il peut se révéler aussi facile d’identifier un individu dans un ensemble de données pseudonymisées qu’à partir des données originales (jeu du « Qui est ce ? »).
Quelle différence avec l’anonymisation ?
L’anonymisation, elle, consiste à utiliser des techniques de façon à rendre impossible, en pratique, la réidentification des individus à l’origine des données personnelles anonymisées. Ce traitement a un caractère irréversible qui implique que les données anonymisées ne sont plus considérées comme des données personnelles, sortant ainsi du cadre d’application du RGPD. Pour caractériser l’anonymisation, le Comité Européen de la Protection des Données (ex G29) se base sur les 3 critères énoncés dans l’avis du 05/2014 (source en pied de page) :
- Individualisation : les données anonymes ne doivent pas permettre de distinguer un individu. De ce fait, même en disposant de l’ensemble des informations quasi identifiantes relatives à un individu, il doit être impossible de distinguer celui-ci dans une base une fois anonymisé.
- Corrélation : les données anonymes ne doivent pouvoir être ré-identifiées en les croisant avec d’autres jeux de données. Ainsi il doit être impossible de relier deux ensembles de données provenant de sources différentes concernant le même individu. Une fois anonymisées, les données de santé d’un individu ne doivent pas pouvoir être reliées à ses données bancaires sur la base d’informations communes.
- Inférence : les données ne doivent pas permettre de déduire de l’information additionnelle sur un individu de façon raisonnable. Il doit être par exemple impossible de déterminer avec certitude l’état de santé d’un individu à partir de données anonymes.
C’est lorsque ces trois critères sont respectés que des données sont considérées comme anonymes à proprement parler. Elles changent alors de statut juridique : elles ne sont plus considérées comme des données personnelles et sortent du cadre du RGPD.
De la donnée protégée à la donnée libérée : l'approche Octopize
Il existe à ce jour plusieurs familles de méthodes pour tenter d’anonymiser des données. Pour la plupart (comme la généralisation ou l'agrégation), ces méthodes apportent la sécurité en dégradant la qualité, la structure ou la finesse des données d’origine. Le constat est souvent amer pour les équipes métiers et techniques : les données sont devenues inutilisables pour entraîner des modèles d'IA performants ou mener des analyses statistiques poussées. Le véritable défi n'est donc plus seulement de protéger les données, mais de libérer leur valeur sans compromettre la vie privée.
C'est ici qu'intervient la technologie développée par Octopize : la génération de données synthétiques anonymes.
Plutôt que de masquer ou de dégrader les informations réelles, notre logiciel génère un jeu de données entièrement nouveau. Ce jeu de données synthétiques a la particularité unique d'offrir un compromis entre "Privacy" et "Utility" :
- Garantie de confidentialité : Les données générées valident les 3 critères d'anonymisation exigés par la réglementation (méthode évaluée avec succès par la CNIL en 2020). Sorties du champ du RGPD, elles peuvent être partagées et exploitées sans contraintes juridiques.
- Maintien de l'utilité : Les données conservent les propriétés statistiques et les corrélations du jeu de données d'origine. Elles constituent une matière première de haute fidélité pour accélérer vos projets d'Intelligence Artificielle et vos analyses.
Il est temps de transformer vos données bloquées en actifs exploitables.
Découvrez la méthode Octopize en direct lors de notre prochain webinar le 20 mai prochain. Plus d'infos ici.
.png)
Sources :
- Affaire "AOL" (America On Line) : https://rig.cs.luc.edu/~rig/ecs/probsolve/NYTonSearch.pdf
- Comité Européen de la Protection des Données (ex G29) - avis du 05/2014 : https://www.cnil.fr/sites/default/files/atoms/files/wp216_fr.pdf
