Nell’era digitale, dove la tecnologia permea ogni aspetto della nostra vita quotidiana, emerge in maniera cruciale la necessità di preservare le Informazioni Personali Identificabili (PII) per garantire la sicurezza e la tutela della privacy individuale.

L’ampio utilizzo dell’Intelligenza Artificiale (IA) e del Machine Learning (ML) introduce sfide sempre più complesse, soprattutto nei settori critici come quello sanitario, assicurativo e bancario. La pratica di impiegare dati sensibili per addestrare modelli di ML solleva notevoli interrogativi e rischi relativi alla privacy.

Per affrontare con successo tali rischi e agevolare un addestramento sicuro dei modelli di ML, è fondamentale adottare strategie avanzate, tra cui l’utilizzo dei dati sintetici. Questi dati, generati attraverso modelli di Intelligenza Artificiale Generativa, sono in grado di replicare fedelmente le stesse statistiche dei dati originali, consentendo l’addestramento dei modelli di ML senza compromettere la privacy individuale.

Con l’obiettivo di proteggere la riservatezza delle informazioni personali contenute nei dati strutturati, abbiamo sviluppato Nerpii, una libreria open source in Python. Questo strumento esegue la Named Entity Recognition sui dati strutturati, individuando e successivamente generando informazioni personali sintetiche.

Il talk proposto esplorerà, inizialmente, l’importanza di proteggere le PII, mettendo in luce i rischi associati al loro utilizzo in contesti di addestramento di modelli di ML. Successivamente, verrà presentata la libreria open source Python, Nerpii, per individuare e generare in modo sintetico le informazioni personali contenute nei dati strutturati.