La riuscita dei progetti legati allo sviluppo della guida autonoma dipendono in primo luogo dalla capacità di sfruttare appieno il potenziale dei dati a partire dalla mole di informazioni generate e utilizzate dalle auto connesse. Non è difficile immaginare in questo contesto l’importanza della precisione delle mappe, come anche dei sistemi di sensoristica delle vetture che devono essere in grado di dialogare in tempo reale con le risorse online e sfruttare il patrimonio di informazioni rese disponibili anche dagli altri veicoli. E’ uno degli ambiti in cui TomTom vanta un’importante esperienza.
L’azienda oggi sfrutta l’intelligenza artificiale per creare mappe HD che siano effettivamente in grado di offrire una rappresentazione accurata della realtà. Significa fornire una maggiore sicurezza elaborando i dati da milioni e milioni di fonti, inclusi i veicoli, in tempo reale, in modo da creare mappe istantanee accurate su scala centimetrica e combinare le informazioni sul traffico aggiornate al secondo, per consentire ai guidatori oggi, e ai veicoli autonomi in futuro, di prendere decisioni istantanee accurate ed evitare incidenti. Senza dimenticare come le stesse mappe possano anche essere sfruttate per soddisfare un ampio portafoglio di applicazioni avanzate di assistenza alla guida (Adas).
Scalabilità, precisione, capacità di apprendimento/elaborazione, velocità di raccolta ed erogazione delle informazioni, e riduzione dei costi sono tra i punti di forza di una proposizione di questo tipo, in uno scenario in evoluzione in cui l’analisi dei dati dei veicoli è destinata ad essere centrale per i progetti legati alla guida autonoma, ma pone anche una serie di problemi legati alla privacy.
Veicoli connessi e privacy, le sfide
Ne parliamo con Cassandra Moons, senior privacy legal counsel and data protection officer TomTom, che proprio a partire dalle potenzialità e dal ruolo delle mappe digitali al servizio dei “veicoli iperconnessi”, modella la sua analisi sul tema.
“I dati disponibili da e per i veicoli connessi – esordisce Moons – devono consentire certo la corretta navigazione del veicolo ma, sfruttando in modo corretto gli algoritmi, è possibile correlare le semplici informazioni di “percorso” con i sensori a bordo ed ottenere quindi fornire importanti informazioni supplementari per esempio relative al traffico che si incontrerà sul proprio percorso, oltre a una serie di consigli per il guidatore”.
Di fatto, quando si parla di veicoli connessi, è possibile modellizzare quattro categorie di dati: quelli relativi alle prestazioni del veicolo, le informazioni sul comportamento del guidatore (stato di veglia, impostazioni personali dei sistemi, funzioni di controllo vocale etc.), i dati relativi alla localizzazione del veicolo, ma anche i dati relativi all’ambiente attraversato dal veicolo in movimento (superficie stradale, curvature, pendenze, eventuali ostacoli etc.).
A questo corrispondono tre livelli diversi di raccolta dei dati: la raccolta dei dati inviati dalle persone spontaneamente (per esempio configurando i sistemi, le autorizzazioni per la condivisione della posizione etc.); i metadati legati a distanze, configurazione dei dispositivi, utilizzo delle consolle di infotainment, etc.; ed infine i dati generati dalla combinazione delle informazioni (per esempio sfruttando proprio l’incrocio delle info legate alle preferenze personali, agli stati emotivi, con il deep learning etc.). E’ chiaro inoltre che “più elevato è il livello di connettività sfruttabile e più profonda è la possibilità di interconnettere tra loro le informazioni più complesso diventa salvaguardare la privacy“. Anche per il moltiplicarsi dei casi d’uso generati dall’incrocio tra tipologie di dati, abitudini degli utenti, e servizi supplementari forniti grazie all’utilizzo dell’AI.
I rischi, infatti, sono molteplici, “in particolare è importante preservare la riservatezza delle informazioni a seconda della diversa tipologia di dati. Quelli relativi al comportamento del guidatore, per esempio, potrebbero distrarre la corretta trattativa relativa ai contratti assicurativi e oltre alle possibili violazioni da parte del cybercrime (in caso di esposizione) è evidente come potrebbe risultare facile monetizzare le informazioni relative ai percorsi ed alle abitudini, sfruttandole per l’advertising mirato, o anche solo per consigliare nei diversi tragitti eventuali soste presso gli esercizi commerciali, e così via…”.
Di fatto per TomTom è importante “inquadrare il problema con un approccio olistico, come si guarda ad un ecosistema. Confrontarsi con i regolamenti vigenti come il Gdpr o il California Consumer Privacy Act (Ccpa), con l’idea di “dover” adeguare i propri sistemi ad ottemperare le richieste dei regolamenti non è per TomTom il miglior approccio”, l’azienda è invece convinta che “l’idea di offrire nelle soluzioni una “privacy by design”, per cui i dati non siano associabili alle persone” – ma invece siano gestiti opportunamente anonimizzati di fatto “rompendo” il link tra informazioni, veicolo, guidatore – “sia non solo possibile ma anche intrinsecamente sicuro e permetta comunque di continuare a migliorare le soluzioni. E per farlo è indispensabile disporre di una data management strategy ben definita che non si può improvvisare”.
Il messaggio è chiaro. Non si tratta di affrontare il tema in modo reattivo, ma proattivo. E’ la differenza sostanziale che passa tra coloro che di fronte alla disponibilità di un set di dati e al funzionamento di un prodotto “controllano” se i termini e le condizioni sulla privacy sono rispettati e quindi considerano i dettagli sulla privacy solo “post progettazione del prodotto” – rischiando di perdere la preziosa fiducia dei clienti – e chi invece “sviluppa i prodotti attorno agli standard di privacy, integrata in fase di progettazione, ingegnerizzazione e realizzazione delle infrastrutture per i servizi connessi”. Per questo TomTom ha scelto di eseguire la valutazione dell’impatto sulla privacy (Pia), con un assessement costante durante lo sviluppo di un prodotto o servizio per decidere quali dati sia veramente opportuno raccogliere per proteggere gli utenti.
Le tecnologie di automazione, privacy enhancing, lo stesso utilizzo dell’AI si rivelano funzionali per mitigare i rischi legati alla violazione della data protection ed allo stesso tempo per migliorare i prodotti. Per esempio AI e Federated Machine Learning possono essere utilizzati per limitare l’inutile esposizione dei dati. In particolare, proprio il Federated Machine Learning permette di “sfruttare sistemi di apprendimento automatico senza dover accedere direttamente ai training data”.
Di fatto i dati restano posizionati nel luogo di origine (dove vengono elaborati per la parte che serve), permettendo una maggiore protezione degli stessi e riducendo i relativi costi.
In un modello che punta quindi a “raccogliere categorie limitate di dati personali in modo da semplificare la comprensione delle informative sulla privacy rendendo davvero trasparenti per l’utente finale le modalità di utilizzo”. Soprattutto, attraverso l’anonimizzazione dei dati, TomTom punta a bilanciare la necessità di informazioni da elaborare per l’ottimizzazione dei servizi con il pieno rispetto della privacy, “con la preoccupazione di non rendere mai disponibili i dati dei clienti per lo sfruttamento commerciale da parte di terze parti”.
© RIPRODUZIONE RISERVATA
