Насколько хорошая будет точность при обезличивании данных
Что проверяют
Не подставите ли вы число вместо метода. Правильная реакция на такой вопрос это встречные уточнения: какие поля убираем, каким способом и какую метрику считаем. Заодно смотрят, различаете ли вы обезличивание и псевдонимизацию, потому что от этого зависит и качество моделей, и юридический статус данных.
Как отвечать
Начните с того, что просадка зависит не от факта обезличивания, а от того, что именно теряется. Разложите по способам:
- удаление прямых идентификаторов: имя, телефон, почта, номер документа. На качестве почти не сказывается, такие признаки слишком уникальны и модель от них скорее переобучается;
- псевдонимизация, замена идентификатора на суррогатный ключ: связи между записями сохраняются целиком, метрика не меняется. Но данные остаются персональными, пока существует таблица соответствия;
- огрубление квази-идентификаторов до k-анонимности: возраст интервалами, регион вместо адреса. Вот здесь сигнал теряется по-настоящему, и тем сильнее, чем грубее сетка;
- дифференциальная приватность и обучение с шумом: просадка управляемая, её размер задаёт бюджет приватности;
- синтетические данные: одномерные распределения держатся неплохо, редкие сочетания и хвосты воспроизводятся хуже.
Дальше про измерение: зафиксировать базовое качество на исходных данных, прогнать тот же конвейер на обезличенных, сравнить на одной и той же отложенной выборке. Отдельно померить риск переидентификации. Получается кривая размена, и точку на ней выбирают вместе с владельцем продукта и юристами, а не инженер в одиночку.
Где спотыкаются
Называют конкретную величину просадки, не спросив ни про данные, ни про метод. Это худший вариант ответа: он показывает, что человек не понимает, от чего эта величина вообще зависит.
Второе: считают хеш телефона обезличиванием. Пространство номеров невелико, хеши перебираются целиком за разумное время, и даже с солью запись остаётся связываемой между таблицами.
Третье: забывают про квази-идентификаторы. Дата рождения, пол и почтовый индекс вместе выделяют конкретного человека в большинстве наборов, так что снятие имени само по себе ещё ничего не анонимизирует.